本文考虑了仅在达到某些最终状态（或此类实例的组成）时才能获得积极奖励的RL实例，例如迷宫探索出口时有大量积极的奖励。尽管这种设置显然受到限制，但本文指出，培训与一项政策相关的深层网络，然后仅通过平滑贝尔曼方程并添加对初始状态的积极限制，可以通过随机性或好奇心来完成，而在此设置中，即在0-loss假设下，就可以在0板的假设中表现出积极的阳性Q值，以至于是在0板的假设中（以下一个效果），因此它是在0-loss假设中的出现（以下是一个效果），因此它是在0板的假设中（以下是一个效果），因此一定是一个效果，因此，这是一个效果，因此，这是一个效果，以至于一定要么在0层状态下（以下情况下），因此，一定是一个效果。被锁定。从这种初始化中，可以使用包含通往良好出口的路径的重播缓冲区来完善经典的深Q学习。未来的作品应考虑此框架的实际实验。