Dueling Network Architectures for Deep Reinforcement Learning（Dueling-DQN）
近年来，深度表示在强化学习中取得了许多成功。尽管如此，其中许多应用程序使用传统架构，如卷积网络，lstm或自动编码器。本文提出一种新的用于无模型强化学习的神经网络架构。所提出的对抗网络代表了两个独立的估计器:一个用于状态值函数，一个用于状态依赖的动作优势函数。这种分解的主要好处是跨动作泛化学习，而不对底层的强化学习算法进行任何更改。我们的结果表明，在存在许多相似价值的行动的情况下，这种架构可以带来更好的策略评估。此外，决斗架构使我们的RL智能体在Atari 2600领域的性能超过了最先进的技术。
阅读者总结：这篇论文相当于将状态价值和优势函数结合估计结合起来。模型的考虑是：对于许多状态来说，没有必要估计每个动作选择的价值
本文的贡献点主要是在 DQN 网络结构上，将卷积神经网络提出的特征，分为两路走，即：the state value function 和 the state-dependent action advantage function.
1. Introduction
提出的网络体系结构，我们称之为Dueling Network Architectures，它明确地分离了状态值和(依赖于状态的)行动优势。Dueling Network Architectures由表示价值和优势函数的两个流组成，同时共享一个公共的卷积特征学习模块。通过一个特殊的聚合层将两个流结合起来，以产生状态-动作值函数Q的估计，如图1所示。这种决斗网络应该被理解为具有两个流的单个Q网络，它取代了现有算法中流行的单流Q网络，如深度Q网络(DQN;Mnih等人，2015)。该对抗网络自动产生状态值函数和优势函数的独立估计，无需任何额外的监督。
实验表明，随着在学习问题中添加冗余或类似的动作，决斗架构可以在策略评估期间更快地识别正确的动作
2 Motivation
发表这篇论文的时候，大家已经把各种各样的深度学习的架构应用在了强化学习中，在这个方向已经不太好创新了，这篇作者结合DQN的特点，对网络结构进行创新。在很多应用场景，存在很多的状态不同的动作对应Q值几乎是一样的，如在 Atari 游戏 Enduro 中，如下图所示，由于前方没有车，所以不同的动作对 Q 值没有影响，在训练 DQN 时，当执行一个动作后我们会修正该动作对应的 Q 值，而其他的动作对应的 Q 值如何变化我们是不关心的， 但是若我们把 Q(S, A) 值分成 V(S) 和 A(A, S) 来看待，同时训练了 V 和 A，那么对 V 部分的训练同样适用于别的动作，比如下图这个例子，我们随便执行一个动作，修正的 V 值同样也适用于别的动作，所以这样收敛更快。而下图的实验也证明了这一点，V 的输出注意力集中在远处的道路与当前的得分，因为这与该状态的得分有关，而 A 没有什么特别关注的地方，因为前方没有车，所以当前执行什么动作是不影响未来得分的。
3. The Dueling Network Architecture
如图2所示，我们的新架构背后的关键见解是，对于许多状态来说，没有必要估计每个动作选择的价值。例如，在Enduro游戏设置中，只有在即将发生碰撞时才知道向左或向右移动。在一些州，最重要的是知道采取什么行动，但在许多其他州，选择行动对发生的事情没有任何影响。然而，对于基于bootstrapping的算法来说，状态值的估计对于每个状态都是非常重要的
为了实现这一见解，我们设计了一个单一的Qnetwork架构，如图1所示，我们将其称为决斗网络。与原始的dqn一样，决斗网络的较低层是卷积的(Mnih等人，2015)。然而，我们不是使用一个全连接层的序列来跟踪卷积层，而是使用两个全连接层的序列(或流)。流被构造成它们能够提供单独的值估计和优势函数。最后，将两个流合并以产生单个输出Q function.
将两个全连接层流结合起来输出Q值的模块需要非常周到的设计。
为了解决可识别性的问题，我们可以强制优势函数估计器在选定的动作处为零优势。
因此，流V(s;θ, β)提供了价值函数的估计，而其他流产生了优势函数的估计
