发表时间：2020（ICML2020）
文章要点：这篇文章研究了experience replay in Q-learning，主要考虑了两个方面：replay capacity（buffer的大小，the total number of transitions stored in the buffer）和ratio of learning updates(replay ratio，样本收集和更新的比例, the number of gradient updates per environment transition)。这里的replay ratio没有考虑batch size的大小，只考虑多少个step更新一次，比如DQN是每4步更新一次，那replay ratio就是0.25。
这里作者引入了一个oldest policy，就是说这个buffer里面的样本是由多少个不同的policy产生的，比如1M的buffer，然后replay ratio为0.25，每更新一次网络其实就改变了policy，那么总共oldest policy就有250,000个。
然后主要结论是更大的capacity可以提高性能，n-step return虽然有偏，但是相对于PER, Adam, C51,对性能的提升是最大的。
具体的，（1）Increasing replay capacity improves performance.
这里更大的capacity，其实replay ratio是改变了的，不变的是oldest policy的数量，就相当于我的buffer变大了，同时我的更新频率变低了，这样保持oldest policy的数量不变。
这其实也可以理解，相当于我的样本更多了，state-action coverage更大了，当然就会好些。但是这有个问题就是，fix the total number of gradient updates，同时replay ratio降低，这就意味着和环境的交互次数会变大，sample efficiency其实下降了，每个样本被用到的次数变少了。
（2）Reducing the oldest policy improves performance.
这个结论还是从图2得到的，就是说每一列里面可以看到，oldest policy越少，效果就越好。然后作者就说learning from more on-policy data may improve performance。这里其实还是那个问题，减少oldest policy其实是增加了和环境交互的次数，感觉效果好也是理所当然的。
（3）Increasing buffer size with a fixed replay ratio has varying improvements.
这个实验相当于说这个时候是没有一个一致的结论的。不过我个人觉得这才是最公平的实验，因为这个时候和环境交互的次数是一样的。
之前的实验在Rainbow上做的，接着作者做了一个DQN的实验，然后发现对于DQN来说，基本没啥用
接着作者就研究到底是Rainbow里的哪个改进让它的效果提升了，得出的结论就是n-step return
这个结论感觉也不是让人吃惊的。毕竟实验设置里面控制的是总的更新次数，改变replay capacity和oldest policy就会增加和环境的交互次数，这样用来估计n-step return肯定就比DQN的1-step效果好，自然就和replay capacity以及oldest policy这两个因素相关了。
总结：从不同的角度研究了replay buffer的作用吧，个人感觉实验设置是不太科学的。
疑问：感觉还是这个问题，因为是固定了梯度更新次数，那么其实改变replay capacity或者oldest policy会改变和环境交互的次数，这么比较真的公平吗？