本文介绍了第一个大规模分布式深度强化学习的架构，使用Parallel Actors、Parallel Learners、分布式神经网络和分布式体验存储等四个主要组件，在 Atari 2600 游戏中应用 Deep Q-Network 算法，获得了 41 个游戏的超越性能，并在大多数游戏中缩短了达成这些结果所需的时间。

Jul, 2015

本文研究深度强化学习算法 DQN 在 Atari 2600 游戏中成功的关键，并提供一种通用的表示方法，以减轻对每个游戏进行表示学习的负担，并为未来 ALE 计算机学习领域提供了可复制和可比性的基准。

Dec, 2015

本文介绍了分析Deep Q-networks（DQNs）的一种方法和工具，以及自动学习Semi Aggregated Markov Decision Process（SAMDP）模型的算法。SAMDP模型允许我们直接从特征中识别时空抽象，并且可以在今后的工作中用作子目标检测器。使用我们的工具，我们揭示了DQNs学习的特征以层次方式聚合状态空间，解释了其成功。此外，我们能够理解和描述DQNs为三个不同的Atari2600游戏学习的策略，并提出解释、调试和优化强化学习中深度神经网络的方式。

Feb, 2016

本文通过详尽的消融研究，考察了6种方法扩展DQN算法，实验结果表明这些方法的综合应用取得了Atari 2600基准测试最先进的性能，在数据效率和最终性能方面都取得了显著的改善。

Oct, 2017

本文提出了使用区域感知注意力机制的深度强化学习模型，其能够利用注意力模块学习输入域中的重要区域。在推理过程中，通过反向传播梯度可视化决策最为重要的区域。该模型不仅提高了模型的可解释性，而且也带来了性能的改进。在Atari 2600游戏测试中，取得了良好的实验结果。

Dec, 2018

本论文从算法和统计角度出发，对深度强化学习中的深度Q网络算法进行了理论分析，并给出了收敛速率。作者还提出了Minimax-DQN算法，并将其与马尔可夫博弈的Nash均衡进行收敛速率的比较。

Jan, 2019

介绍了 SABER 工具以及 human world records baseline, 通过 SABER 对当前最先进的 Rainbow 项目进行了评估，通过将 Implicit Quantile Networks 添加到 Rainbow 中提出了 Rainbow-IQN 算法用于提高性能。

Aug, 2019

该研究论文探讨了如何提高深度增强学习的数据效率，并证明了新提出的技术并没有真正提高数据效率，而是增加了复杂性和计算成本，提出了一种新的改进的DQN算法，并建议将其作为未来改进深度强化学习数据效率的基准。

Mar, 2020

本文探讨了一种在增量奖励的加强学习任务中，为了解决价值深度强化学习代理人遇到相对没有奖励的区域的问题，提出了一种名为“Spectral DQN”的方法，将奖励分解成特定的频率，从而让损失函数平衡，这种方法成功地提高了标准价值法的效率，并在六个Atari游戏的测试中表现出非常好的竞争力。

Apr, 2021

利用PG-Rainbow算法，在分布式强化学习框架中整合策略梯度算法，通过使用含有奖励分布信息的隐式分位网络，使策略代理能够全面评估给定状态下潜在动作的后果，提升决策能力。在Atari-2600游戏套件（通过Arcade Learning Environment模拟）中评估了该算法的性能。

Jul, 2024