技术定义
通过与环境交互、接收奖励并改进行动策略，优化长期累计回报的方法。
强化学习处理行动影响后续状态和收益的序列问题。Q-learning是价值学习的一条代表路线，1992年论文给出相应理论结果；这不是强化学习的起源年。
奖励定义、探索方式与环境假设决定学习结果。特定条件下的收敛结论不能直接外推到任意深度模型或开放环境。
原理与影响
解决的问题
- 从延迟反馈中学习连续决策，而不要求每一步都有标准动作标签。
核心原理
- 在状态、动作和奖励之间建立价值或策略更新机制。
相对前代的改进
暂无记录
技术意义
- 连接机器学习与目标导向的序列决策。
历史与应用
人物
Christopher J. C. H. Watkins、Peter Dayan
组织
暂无记录
事件
暂无记录
典型应用
序列决策、控制
留下的局限
- 奖励设定可能偏离真实目标，探索成本和分布变化限制实际使用。
上下游关系
上游
证据：Q-learning