摘要：
**发表时间：**2021（ICLR 2021） **文章要点：**这篇文章提出了一个分层强化学习算法HIDIO (HIerarchical RL by Discovering Intrinsic Options)，用自监督的方式来学习任务无关的options，避免了人为设计，同时利用这些optio 阅读全文
摘要：
**发表时间：**2022(ICLR2022) **文章要点：**这篇文章基于muzero来度量model-based agent的泛化能力。主要研究了三个因素：planning, self-supervised representation learning, and procedural dat 阅读全文
摘要：
**发表时间：**2016（NIPS 2016） **文章要点：**这篇文章提出了Bootstrapped DQN算法来做深度探索。作者认为，当前的探索策略比如ϵ-greedy，并没有进行深度探索（temporally-extended (or deep) exploration）。Deep exp 阅读全文
摘要：
**发表时间：**2016（ICLR 2016） **文章要点：**这篇文章考虑的情形是从一个RL的policy网络提取策略，迁移到另一个policy网络。其实就是知识迁移（Distillation is a method to transfer knowledge from a teacher m 阅读全文
摘要：
**发表时间：**2019 **文章要点：**这篇文章做了一个简化版的Atari。现在的Atari game还是太慢了，大家做实验基本上都跑不超过5个随机种子，实验说服力不够。这篇文章搞了个简化版，输入只有10*10*n的binary的表征,其中n表示channel（n channels corre 阅读全文
摘要：
**发表时间：**2018（NIPS 2018） **文章要点：**这篇文章提出了一个分层强化的算法HIRO: Hierarchical Reinforcement learning with Off-policy correction。主要的点在于不用人工设计具体的上层goal，同时用off-po 阅读全文
摘要：
**发表时间：**2019（ICML 2019） **文章要点：**这篇文章主要是做实验探讨了一下什么形式算planning。之前的planning通常会设置一个具体的planning算法，比如Monte Carlo rollouts,MCTS等等，或者在网络里面嵌入类似planning的结构，比如 阅读全文
摘要：
**发表时间：**2018 **文章要点：**这篇文章提出A0C算法，把AlphaZero做到连续动作空间上，主要使用的方式是progressive widening和continuous prior（就是continuous policy network）。具体的，progressive wide 阅读全文
摘要：
**发表时间：**2021（ICML 2021） **文章要点：**这篇文章想说，通常强化学习算法exploration和exploitation都是混在一起的，既探索环境的dynamics，同时也利用探索到的信息来提升策略。但是要想更好的更新策略，就需要好的探索来收集任务相关的信息；要想得到更好的 阅读全文
摘要：
**发表时间：**2021（ICML 2021） **文章要点：**这篇文章想说神经网络的解释性太差，用简单的符号式子来表示策略具有更好的解释性，而且性能也不错。这里符号式子就是一个简单的函数。作者就提出了一个叫deep symbolic policy的算法来搜索symbolic policies。 阅读全文
摘要：
**发表时间：**2021（ICML 2021） **文章要点：**这篇文章就是在小的环境上重新测试了一遍DQN以及一系列变种的效果，得出的结论就是说即使是在简单任务上进行测试，也能得到有价值的结果，呼吁降低研究RL的算力门槛。具体的，作者先说就算是Atari游戏上做研究，对算力的要求也是巨大的，A 阅读全文
摘要：
**发表时间：**2020（ICML 2020） **文章要点：**这篇文章提出了一个Plan2Explore的model based方法，通过self-supervised方法来做Task-agnostic的探索，在这个过程中有效学习了world model，然后可以迁移到下游的具体任务上，实现z 阅读全文
摘要：
**发表时间：**2018（ICLR 2019） **文章要点：**文章提出了一个random network distillation (RND)的算法，通过比较一个预测网络和一个随机初始化网络的越策误差作为exploration bonus来增加探索。主要思路是说，如果agent去过某个状态了， 阅读全文
摘要：
**发表时间：**2020(ICLR 2020) **文章要点：**这篇文章的思路是运用distributed RL的形式，基于intrinsic reward，并行多个agent，将exploration策略和exploitation策略分开单独训练，这样可以设置一族探索程度不同的explorat 阅读全文
摘要：
**发表时间：**2021（NeurIPS 2021） **文章要点：**这篇文章提出Latent Explorer Achiever (LEXA)算法，通过学习world model的imagined rollouts来训练一个explorer策略和一个achiever策略，通过unsupervi 阅读全文