OpenAIの初期の成功を支えた；方策の更新幅を制限することで学習の安定性を劇的に向上させたアルゴリズムはどれか。

2つの確率分布 $P$ と $Q$ の「近さ」を測る際；対象性がなく $P$ から見た $Q$ の情報損失量を表す指標はどれか。