↑: [[G検定に関する知識]] - DQNの改良版：ネットワーク出力を状態価値（V）と行動優位性（A）に分解 - 行動の良し悪し（Advantage）と状態の良し悪し（Value）を別々に学習 - cf. [[DQN-G検定]], [[Rainbow]], [[深層強化学習]]