モデルベースの内発的動機付けを用いたオフポリシー学習による能動的オンラインエクスプロレーション

本論文は、モデルベースの内発的報酬を用いたオフポリシー学習アルゴリズムを提案し、連続制御タスクにおける効率的な探索を実現する。