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
本研究介绍了人工智能与神经科学的联系，探讨了强化学习算法在神经科学领域的应用，通过扩展 T 型迷宫任务进行实验验证表明，现有算法无法解决该问题，并提出神经科学的见解可能有助于解释部分问题。
Apr, 2021
本文介绍了基于 TensorFlow 的新的 Deep RL 研究框架 Dopamine，同时提供了一种分类 Deep RL 不同研究目标的方法，旨在支持更多的研究多样性。
Dec, 2018
介绍了深度强化学习的模型、算法和技术，着重讨论与泛化相关的方面以及深度强化学习在实际应用中的使用。
Nov, 2018
本书提供了深度强化学习领域的全面概述，主要涵盖了建立领域基础，算法和应用，同时介绍了一些先进主题，如深度多智能体强化学习、深层次强化学习和深元学习；本书适用于人工智能的研究者、从业者和研究生，假定读者具有本科水平的计算机科学和人工智能理解，编程语言使用 Python。
Jan, 2022
本文探讨强化学习算法中的 TD Learning 和基础节疤核在强化学习中的作用，使用计算机模拟来验证利用稀疏的联合表示来学习在特定环境下获得预期奖励的好处。
Sep, 2019
综述最新深度加强学习算法，重点关注其理论论证、实际限制和观察到的经验特性。
Jun, 2019
深度强化学习是 AI 领域的一项重大进展，可以构建具有更高层次视觉世界理解能力的自主系统。本文综述了深度强化学习的中央算法，包括基于价值和基于策略的方法，并重点介绍了深度神经网络在强化学习中的独特优势，最后描述了该领域内的几个当前研究方向。
Aug, 2017
本文概述了深度强化学习的最近发展和各种应用，在讨论深度 Q 网络和策略等 RL 核心要素和注意力与记忆、自监督学习、神经网络体系结构设计等机制的基础上，涉及了游戏、自然语言处理、计算机视觉等多个领域，并列出了一些资源。
Jan, 2017
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