qq_45690566的博客

原创 强化学习：First return, then explore论文笔记

之前的RL算法并没有将返回和探索分开，而是将探索贯穿整个章节，通常是通过在一小部分时间内添加随机动作或从随机策略(一个决定在每种状态下采取哪种动作的函数，通常是神经网络)中取样来进行探索。为了避免脱离问题，Go-explore构建了一个存档（archive），用来保存Agent在环境中访问过的不同Go-Explore系列算法的有效性表明，它将使许多可以被视为顺序决策问题的领域取得进展，包括机器人、语言理解和药物设计。这些示例只是Go-explore方向的一小部分，未来工作的一个关键方向是学习细胞表示。