الاسترجاع التجربوي يسمح للوكلاء الذين يستخدمون التعلم التعزيزي عبر الإنترنت بتذكر وإعادة استخدام التجارب السابقة. في البحوث السابقة، تم اختيار انتقالات الخبرة بشكل متساوٍ من ذاكرة الاسترجاع. ومع ذلك، فإن هذا النهج يعيد ببساطة انتقالات الخبرة بنفس التكرار الذي تم تجربتها فيه لأول مرة، بغض النظر عن أهميتها. في هذا البحث، نطور إطارًا لتحديد أولوية الخبرة، بحيث يتم إعادة تشغيل الانتقالات الهامة بمعدل أعلى، وبالتالي التعلم بكفاءة أكبر. نستخدم الاسترجاع التجربوي الأولوي في شبكات Q العميقة (DQN)، وهي خوارزمية تعلم تعزيزي حققت أداءً على مستوى البشر في العديد من ألعاب Atari. شبكات Q العميقة مع الاسترجاع التجربوي الأولوي تحقق حالة جديدة من الطليعية، حيث تتفوق على شبكات Q العميقة مع الاسترجاع المتساوي في 41 من أصل 49 لعبة.