摘要
自举（Bootstrapping）是强化学习（Reinforcement Learning, RL）中的核心机制。大多数基于时序差分（temporal differences）的算法，会用当前对转移状态价值的估计值替代其真实价值。然而，除了状态价值估计之外，还存在另一种可用于自举的估计量：当前策略本身。本文的核心贡献在于一个极为简洁而有力的思想：将缩放后的策略对数（scaled log-policy）加入即时奖励中。我们证明，仅通过对此类修改，对深度Q网络（Deep Q-Network, DQN）进行轻微调整，即可使智能体在Atari游戏上的表现与分布式方法（distributional methods）相媲美，且无需依赖分布式强化学习、n步回报（n-step returns）或优先回放（prioritized replay）等技术。为验证该思想的通用性，我们进一步将其与隐式分位数网络（Implicit Quantile Network, IQN）结合。所得到的智能体在Atari基准测试中超越了Rainbow算法，仅通过极小的改动便实现了新的性能上限（State of the Art）。此外，为支持这一实证研究，本文还提供了强有力的理论分析，揭示了该方法背后的内在机制：隐式Kullback-Leibler（KL）正则化效应，以及动作价值差距（action-gap）的增强。