技术定义
以深度网络表示价值、策略或环境模型的强化学习方法。
DQN把卷积网络与动作价值学习结合，从游戏画面学习控制策略。2015年论文是代表实例，不是所有深度强化学习的首创。
深度表示扩展了可处理的输入，但增加训练不稳定性与资源需求。游戏中的实验成绩不能直接证明现实机器人或其他任务的可靠性。
原理与影响
解决的问题
- 让强化学习处理高维感知输入与复杂函数近似。
核心原理
- 深度网络近似价值或策略，环境回报参与学习更新。
相对前代的改进
暂无记录
技术意义
- 展示感知表示与序列决策结合的能力。
历史与应用
人物
Volodymyr Mnih
组织
暂无记录
事件
暂无记录
典型应用
游戏决策、高维控制研究
留下的局限
- 样本需求、训练稳定性及环境迁移仍是限制。