发表时间：2022（ICLR 2022）
文章要点：这篇文章指出根据TD error来采样是低效的，因为估计TD error的target Q就不准（since a state's correct Q-value preconditions on the accurate successor states' Q-value.）。为了解决这个问题，文章提出Topological Experience Replay (TER)，将experience存成一个图结构，然后用breadth-first search从terminal state开始更新（reverse sweep）。为了打破数据之间的相关性，抽取的batch混合了reverse sweep和随机采样。最终在goal-reaching tasks上取得了不错的效果。
具体的，作者用hash table来构建图，先用random projection将状态编码，存成图里的顶点，然后动作为边。然后图是动态更新的，每个step都会把新来的transition构建到图里。
有了图之后就，剩下的就是怎么采样更新。首先有一个terminal states的集合，先从这个集合里采一个子集出来\(v^\prime\)，然后再找对应的前一个状态以及动作\(v,a\)，凑成一步的transition。然后等这些transition被训练过后，下一次就从\(v\)开始，去找再上一步的状态和动作，凑成一个新的batch，就这样从后往前全部更新一遍。等一轮走完之后，再重复这个过程。另外，因为有的状态可能不能到达terminal state，所以再随机采样一些样本，混合到一起训练（BATCH MIXING），作者用的是TER结合PER，作者是\(\eta\)的PER混合\(1-\eta\)的TER，其中\(\eta\)取0.1,02的时候表现最好。
伪代码如下
总结：也是想说更新顺序非常重要，不过存成图结构感觉有点人工干预过多了，主要的实验环境都是迷宫类型的，可能graph建起来比较简单，因为总的状态数不多，添到图里的时候都会重复，如果是Atari那种，估计完全一样的状态会少很多。
疑问：文章说BATCH MIXING的作用是ensuring those transitions disconnected from terminal states to be updated，会有这样的状态存在吗？更重要的作用会不会是打乱数据的相关性，不然更新会不会出问题？
这里建图的主要目的就是为了合并状态，回溯更新Q。有没有类似的方法，直接在buffer里实现这个更新，不用建图？
文章用了一个random projection的方式来做hash，这么做的好处是啥，为什么不用现成的MD5之类的方式？