学术前沿
Human-level Control through Deep Reinforcement Learning
Human-level Control through Deep Reinforcement Learning (DQN)是由Volodymyr Mnih、Koray Kavukcuoglu、David Silver等人于2015年发表在Nature上的深度强化学习论文。该论文提出了深度Q网络（Deep Q-Network，DQN），将深度卷积神经网络与Q-learning相结合，使用经验回放和目标网络来稳定训练过程，能够在49款Atari 2600游戏中达到人类水平的控制性能。DQN是深度强化学习领域的里程碑论文，证明了深度强化学习能够在复杂的高维感知任务中取得成功，被引用超过40000次，对后续的深度强化学习研究产生了深远影响。
主体信息
Human-level Control through Deep Reinforcement Learning (DQN)是由Volodymyr Mnih、Koray Kavukcuoglu、David Silver等人于2015年发表在Nature上的深度强化学习论文。该论文提出了深度Q网络（Deep Q-Network，DQN），将深度卷积神经网络与Q-learning相结合，使用经验回放和目标网络来稳定训练过程，能够在49款Atari 2600游戏中达到人类水平的控制性能。DQN是深度强化学习领域的里程碑论文，证明了深度强化学习能够在复杂的高维感知任务中取得成功，被引用超过40000次，对后续的深度强化学习研究产生了深远影响。