无模型的分幕控制与状态聚合

情景控制（Episodic control）在强化学习中提供了一种高度样本高效的训练方法，但同时对记忆和计算资源提出了较高要求。本文提出了一种简化的启发式策略，以降低这些资源需求，并将其应用于无模型情景控制（Model-Free Episodic Control, MFEC）框架。在Atari游戏上的实验表明，该启发式策略在采用保守的超参数设置时，能够有效降低MFEC的计算负担，同时几乎不造成性能损失。因此，当处理强化学习任务时，情景控制方法变得更加切实可行。