本文讨论了深度强化学习中训练大型神经网络的困难之处，提出了使用 DenseNet 连接构建更大的神经网络、将表示学习与强化学习训练分离以及采用分布式训练方法缓解过拟合问题等三种技术来提高性能的方法，在几个具有挑战性的运动任务上的结果表明本文提出的方法的有效性超过了其他基线算法。

Feb, 2021

该研究提出了一个神经和符号端到端强化学习架构，能够克服当前深度学习技术的局限性，如需要非常大的数据集工作、难以实现高级认知功能和透明性欠佳等。研究者以简单的视频游戏为例，展示了这个架构的实现原型，结果表明它能够有效地学习，并通过获得一组符号规则，可将性能提高到比传统完全神经强化学习系统更好的水平。

Sep, 2016

本文研究了多层神经网络在控制方面的应用，特别是在连续高维动作任务中，通过强化学习训练后实现了控制策略，结果表明可以成功训练具有成千上万个参数的神经网络控制器，并比较了各种不同结构。文章讨论了这一问题与以往有监督知觉任务的区别，呈现了实验结果，并讨论了将深度学习技术应用于控制问题优化的未来方向。

Nov, 2013

本文提出了一种使用深度强化学习方法，利用 RGB-D 传感器在室内环境中探索移动机器人的方法，通过对特征表示的感受野进行分析，深度强化学习促进了卷积网络估计场景的遍历性，实验结果表明，采用该方法训练的机器人控制器在真实环境中的认知能力显著提高。

Oct, 2016

本文介绍一种新的神经网络架构，即竞争网络，用于无模型强化学习。竞争网络表示两个独立的估计器：状态值函数和状态依赖性动作优势函数。结果表明，竞争架构有助于在类似值的动作存在的情况下实现更好的策略评估，并使得强化学习代理能够在 Atari 2600 领域超越现有技术。

Nov, 2015

该研究提出将深度 Q 学习神经网络引入艺术绘画机器人应用程序，旨在研究复杂控制策略对基础艺术绘画机器人应用程序性能的影响，并为将 DQN 方法引入复杂艺术绘画机器人框架的未来研究提供了首个基准。

Feb, 2024

本文阐述了全连接神经网络，卷积神经网络和递归神经网络在处理变量大小输入的强化学习问题方面的局限性，提出了一种利用 Deep Sets 结构的离线决策方法，用于高层次决策，通过比较各种不同的可能性，表明 Deep Sets 不仅在总体表现上表现优异，而且在未见情况下呈现更好的泛化性。

Jul, 2019

这篇综述性研究论文介绍了深度强化学习在神经科学中的应用，讨论了其对大脑和行为研究的影响，并提出了未来研究的机会。

Jul, 2020

该论文介绍了使用强化学习和一次性训练为指导原则的自动神经架构搜索框架 DQNAS，用于生成具有优越性能且具有最小可扩展性问题的神经网络架构。该框架可以减少设计卷积神经网络的时间和测试成本。

Jan, 2023

本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

Feb, 2020