initial_h

摘要：  **发表时间：**2020 (NeurIPS 2020) **文章要点：**这篇文章提出了Diversity v 阅读全文

摘要：  **发表时间：**2022（ICLR 2022） **文章要点：**这篇文章想说Q网络通常会存在under- or 阅读全文

摘要： **发表时间：**2019（ICML 2019） **文章要点：**这篇文章想说如果replay的经验和当前的policy差别很大的话，对更新是有害的。然后提出了Remember and Forget Experience Replay (ReF-ER)算法，（1）跳过那些和当前policy差别很大 阅读全文

摘要：  **发表时间：**2021（ICLR 2021） **文章要点：**这篇文章想说，之前的experience r 阅读全文

摘要：  **发表时间：**2020 **文章要点：**这篇文章提出了Prioritized Sequence Exper 阅读全文

摘要：  **发表时间：**2020（ICML2020） **文章要点：**这篇文章研究了experience repla 阅读全文

摘要：  **发表时间：**2021 **文章要点：**这篇文章想说Prioritized experience repla 阅读全文

摘要：  **发表时间：**2021（ICML 2021） **文章要点：**这篇文章提出一个更新policy的方式，结合 阅读全文

摘要：  **发表时间：**2022（ICLR 2022） **文章要点：**AlphaZero在搜索次数很少的时候甚至动 阅读全文

摘要：  **发表时间：**2021(NeurIPS 2021) **文章要点：**这篇文章提出一个tandem learni 阅读全文

摘要： **发表时间：**2019（ICML 2019） **文章要点：**这篇文章想说在offline RL的setting下，由于外推误差（extrapolation errors）的原因，标准的off-policy算法比如DQN，DDPG之类的，如果数据的分布和当前policy的分布差距很大的话，那就 阅读全文

摘要： **发表时间：**2017（Deep Reinforcement Learning Symposium, NIPS 2017） **文章要点：**这篇文章主要研究了replay buffer大小对Q-learning的影响，得出的结论是大的buffer会损害performance，因为采样的样本会更 阅读全文

摘要： **发表时间：**2020 (NeurIPS 2020) **文章要点：**这篇文章想说，对于监督学习来说就算刚开始训的不准，后面的新数据也会给你正确的feedback，这样的话随着训练进行，总会修正之前的错误。但是对于像Q-learning这样的强化学习任务来说，不存在这样的feedback，因为 阅读全文

摘要： **发表时间：**2020（ICLR2020） **文章要点：**这篇文章提出了一个无监督的model-based的学习算法Dynamics-Aware Discovery of Skills (DADS)，可以同时发现可预测的行为以及学习他们的dynamics。然后对于新任务，可以直接用zero- 阅读全文

摘要： **发表时间：**2021 (NeurIPS 2021) **文章要点：**这篇文章提出了一个Heuristic-Guided Reinforcement Learning (HuRL)的框架，用domain knowledge或者offline data构建heuristic，将问题变成一个sho 阅读全文