本研究提出了一种名为Reinforcement Learning with Augmented Data的加强数据的强化学习算法，将图像数据进行数据增强、使用深度神经网络等算法，提取出了数据效率、推广性等方面的关键特征。实验结果表明，该算法可以在DeepMind和OpenAI Gym等常见测试用例中优于当前最先进的算法。

Apr, 2020

本文通过比较三种方法，探究如何寻找适当的数据增强方式，并结合两个新的正则化项，以理论上的方式为某些 actor-critic 算法的数据增广提供支持，最终在 Procgen 基准测试上展示了在相对于标准 RL 算法提高了 ~40% 的测试性能。我们的代理优于其他针对 RL 中泛化改进的基线。此外，我们还展示了我们的代理学习出更能适应环境变化的策略和表示，包括不保留背景信息的变化。

Jun, 2020

本文提出了SOft Data Augmentation（SODA）方法，通过在编码器上施加约束，最大化增强和非增强数据的潜在表示之间的互信息，从而提高强化学习的样本效率、泛化能力和稳定性，实验表明该方法显著优于最先进的基于视觉的RL方法。

Nov, 2020

通过网络蒸馏方法，将语义一致性先验注入深度强化学习中以提高样本使用效率和泛化性能。

Jun, 2022

本研究通过引入基于显著性的Q网络（SGQN），提出了一种通用的视觉强化学习方法，该方法对Deepmind的控制泛化基准进行了改进，从而在训练效率、泛化差距和策略可解释性等方面创造了新纪录。

Sep, 2022

本文提供了关于数据扩增在视觉强化学习中应用的广泛评论。作者提出了一个统一的框架，研究了数据扩增技术在视觉强化学习中的作用，并提供了一些方法来更好地利用扩增数据。最后，作者还通过系统的实证评估，总结了本文的研究内容及未来研究工作的展望。

Oct, 2022

本文探究了数据增强技术在视觉强化学习中的有效性，研究数据增强的相关特征对样本效率的影响并提出了新的操作方法 Random PadResize 和循环增强（Cycling Augmentation）以提高样本利用效率。在DeepMind控制套件和CARLA驾驶模拟器上的广泛评估表明，与先前的最先进方法相比，我们的方法实现了更好的样本效率。

May, 2023

各种数据增强技术在基于图像的深度强化学习中已被提出。通过分析现有方法，我们可以更好地理解它们及其不同组件的效果，并确定如何更好地利用数据增强。此分析表明了如何通过选择不同的数据增强变换来计算目标 Q 值，以更加有原则地利用数据增强。此外，我们提出了一种名为切线传递（tangent prop）的正则化项，在若干领域中验证了我们的论点，并且与不同基准模型相比，在大多数环境中取得了最先进的性能，并在某些复杂环境中展现了更高的样本效率和更好的泛化能力。

Feb, 2024

通过数据增强的广义方法 SADA，可以提高 Q-学习算法在视觉观察训练中的稳定性和泛化能力，适用于各种数据增强方式。

May, 2024

本研究解决了视觉基础强化学习（RL）代理在新环境中的泛化难题，提出了一种新的模型——关联潜在解耦（ALDA），它结合潜在解耦和联想记忆模型实现零样本泛化，避免了数据增强的依赖。研究表明，数据增强技术实际上是一种弱解耦形式，这一发现对强化学习的训练方法具有重要影响。

Oct, 2024