D2RL：一种用于强化学习的新型神经网络架构

三个要点
✔️ 使用新的神经网络架构的D2RL、RL的建议。
✔️ 与传统的RL算法相比，在各种任务中性能更高。
✔️ D2RL可应用于各种RL算法。

D2RL: Deep Dense Architectures in Reinforcement Learning
written by Samarth Sinha, Homanga Bharadhwaj, Aravind Srinivas, Animesh Garg
(Submitted on 19 Oct 2020)
Comments: Accepted at arXiv
Subjects: Machine Learning (cs.LG)
Paper Official Code COMM Code Projects 

介绍

本文对强化学习中神经网络的体系结构进行了深入的研究，表明神经网络的体系结构在计算机视觉和自然语言处理中具有重要的意义，对学习的准确性等方面有很大的影响。然而，关于强化学习的研究并不多。在本研究中，他们研究了深度神经网络和密集连接对强化学习的影响，结果表明，深度神经网络和密集连接在强化学习任务中非常重要。从实验和其他结果来看，他们发现是这样的。他们还提出了一种新的密集连接方法，即Deep Dense Architectures for Reinforcement Learning（D2RL）。本文将详细介绍这些。

技巧

首先，他们将介绍使用更深层的多层感知器（MLPs）对策略和Q-networks进行参数化的问题，MLPs的神经网络层数更多。 之后，他们将介绍我们提出的方法--Deep Dense Architectures for Reinforcement Learning（D2RL）。

山田