待验证50% 置信事实精确时间
DQN是off-policy算法，可以重复利用过去收集的经验进行学习
1
来源数
50%
置信度
长期有效
时效性
2026/8/20
首次发现
来源
相关事实
待验证经验回放（Experience Replay）由DeepMind在2013年DQN论文中引入，将状态-动作-奖励-下一状态四元组存入回放缓冲区，训练时随机采样以打破时序相关性66% 相似待验证潜在缓存技术将LLM推理中的KV Cache思想迁移至训练阶段，对轨迹历史帧预先提取潜在表示并缓存62% 相似待验证在离线强化学习算法（如 Decision Transformer、IQL）中，episode 边界信息对于正确计算回报（return-to-go）至关重要62% 相似待验证Q-learning是离策略（off-policy）学习，使用贪心策略更新Q值但探索时可采用ε-贪心等不同策略61% 相似待验证SPLADE 是一种学习型稀疏检索模型，通过神经网络为文档生成稀疏向量表示，可在倒排索引上高效运行61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/778958API
curl https://kongchang.com/api/v1/knowledge/claims/778958MCP
get_claim(id=778958)