待验证50% 置信事实精确时间
DQN的理论基础是Q-learning，一种无模型强化学习算法，核心是学习Q函数Q(s,a)表示状态s下执行动作a的期望累积折扣奖励
1
来源数
50%
置信度
长期有效
时效性
2026/8/21
首次发现
来源
相关事实
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78% 相似待验证Q-learning、DQN 等算法本质上都是在近似求解贝尔曼最优方程77% 相似待验证贝尔曼方程将长期累积奖励的优化问题分解为可递归求解的子问题，奠定了Q-learning、策略梯度等经典算法的理论根基74% 相似待验证Dueling DQN的核心思想是将Q值分解为状态价值函数V(s)和动作优势函数A(s,a)两个独立流72% 相似待验证前向KL散度D(p||q)倾向于让q覆盖p的所有可能性（mode-covering），是变分推断和监督学习中最常用的形式70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/782752API
curl https://kongchang.com/api/v1/knowledge/claims/782752MCP
get_claim(id=782752)