本文介绍了 γ 模型 —— 一种具有无限概率时间的预测环境动态模型。它能够代替常规的单步模型，进一步通用模型控制、模型展开和基于模型价值评估等过程。该模型通过生成式时间差分学习进行训练，是状态衍生表示的连续自然模拟，并结合了无模型和基于模型的特点。我们将 γ 模型的实例作为生成式对抗网络和正则化流，并探讨它在预测和控制方面的实用性。

Oct, 2020

本文探讨了如何使用深度神经网络和政策梯度方法，通过数值函数和置信区间优化解决了强化学习中大量样本和非稳定性问题，取得了在高难度 3D 运动任务中显著的实证结果。

Jun, 2015

本文旨在探究 Actor-critic 风格的两个时间尺度算法在强化学习中的应用，提出了一种在线自然 Actor-critic 算法在表格环境下的全局收敛特性，评估其采样轨迹的有效性，并以样本数为单位展开学习效率的分析，为优化全局最优解的搜索提出了提高性能的方法。

Jan, 2021

通过引入双线性分解的机制，将 Q-value 函数表示为两个向量场之间的点积形式，实现了在实现多目标强化学习过程中 Q-value 函数的优化，提高了数据效率和跨任务泛化能力。

Apr, 2022

本文提出了一种基于价值函数、梯度上升和指纹技术的增强学习方法，通过估计给定一组状态下多种策略的价值，实现了在策略空间直接进行梯度上升从而产生优秀的策略。实验结果表明，该方法的理论和实际效果均优于传统方法。

Feb, 2020

本研究旨在训练多个视觉环境下的 RL 代理以提高观察泛化性能，并提出了一种延迟评论者策略梯度（DCPG）算法，该算法可以使用单一统一的网络架构来实现，极大地提高了 Procgen 基准测试的样本效率和观测泛化性能。

Oct, 2022

使用基于强化学习的预测方法研究实际饮用水处理厂，描述数据集中的挑战和使用离线数据预训练临时差异学习代理的方法，并证明实时适应预测对于实际非平稳的大容量系统至关重要。

Dec, 2023

本文主要研究如何通过自适应标准化目标值来解决学习算法对函数尺度缩放的不变性问题，尤其是在价值反馈学习和 Atari 游戏中，该方法能够消除领域特定的启发式方法，提高整体表现。

Feb, 2016

本研究通过基于时间差分法和线性函数逼近的 TD (lambda) 算法，在机器人中实现了对当下及未来 0.1 至 8 秒内全部感知信息的预测及实时学习，最终获得了较高的准确率，证明了该方法具有实用价值。

Dec, 2011

我们的研究专注于连续时间控制问题，并提出了一种适用于所有具有半群和 Lipschitz 属性的问题的方法，可以直接分析贝尔曼最优损失的先验泛化误差。该方法的核心在于对损失函数的两个转换，并使用最大操作符的分解方法来完成转换。此分析方法不需要有界性假设，最终得到一种无维度诅咒的先验泛化误差。

Feb, 2024