用于深度强化学习的决斗网络架构

近年来，深度表示在强化学习中的应用取得了许多成功。然而，许多这些应用仍然使用传统的架构，如卷积网络、LSTM（长短期记忆网络）或自编码器。本文中，我们提出了一种新的无模型强化学习神经网络架构。我们的双流网络表示两个独立的估计器：一个用于状态值函数，另一个用于状态依赖的动作优势函数。这种分解的主要好处是在不改变底层强化学习算法的情况下，能够跨动作泛化学习。实验结果表明，该架构在存在大量相似价值动作的情况下，能够实现更好的策略评估。此外，双流架构使我们的强化学习代理在Atari 2600领域超越了现有技术水平。