概念Experience Replay / Replay Buffer
经验回放
深度强化学习中的核心技术，由DeepMind在2013年DQN论文中引入，将Agent与环境交互产生的状态-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、提升样本利用效率。
核心事实
时间轴 (近 90 天)
8月26日
经验回放将交互经验存入固定大小缓冲区并随机采样小批量训练，打破连续经验的时间相关性，使神经网络训练更稳定
待验证50%
8月23日
经验回放最早在DeepMind的DQN算法中被提出，智能体将过去的交互经验存储在缓冲区中，训练时随机采样以提高样本利用效率
待验证50%
8月20日
缓解灾难性遗忘的解决方案包括弹性权重巩固（EWC）、渐进式网络扩展和经验回放，但尚无方法能完美解决所有问题
待验证70%
7月18日
DeepMind在2013年发表论文展示了能自学玩Atari游戏的系统
已验证65%
7月16日
缓解灾难性遗忘的三类主要策略为基于正则化的方法（如EWC）、基于回放的方法（如Experience Replay）和基于架构的方法（如Progressive Neural Networks）
已验证75%
全部知识事实 (5)
已验证
缓解灾难性遗忘的三类主要策略为基于正则化的方法（如EWC）、基于回放的方法（如Experience Replay）和基于架构的方法（如Progressive Neural Networks）
75%已验证DeepMind在2013年发表论文展示了能自学玩Atari游戏的系统
65%待验证缓解灾难性遗忘的解决方案包括弹性权重巩固（EWC）、渐进式网络扩展和经验回放，但尚无方法能完美解决所有问题
70%待验证经验回放将交互经验存入固定大小缓冲区并随机采样小批量训练，打破连续经验的时间相关性，使神经网络训练更稳定
50%待验证经验回放最早在DeepMind的DQN算法中被提出，智能体将过去的交互经验存储在缓冲区中，训练时随机采样以提高样本利用效率
50%