发表时间：2016（ICLR 2016）
文章要点：这篇文章考虑的情形是从一个RL的policy网络提取策略，迁移到另一个policy网络。其实就是知识迁移（Distillation is a method to transfer knowledge from a teacher model T to a student model），只是这里用到强化里面了。目的是可以用来做模型压缩，multiple task-specific的策略融合到一个policy里，以及一定程度提升泛化性。
具体的做法就是，用teacher policy和环境交互，收集数据，然后用监督学习的方法训练一个新的policy网络。作者以DQN为例提出了三种loss function。第一种直接学Q value最大值对应的动作，loss为negative log likelihood loss (NLL)
第二种是用mean-squared-error loss (MSE)来学Q value
第三章是用Kullback-Leible divergence (KL)来学用Q value构成的概率分布
得出的结论是MSE最差，KL最好
总结：一篇很老的文章了，算是policy distillation的开端吧，其实主要就是监督学习，修改的就是loss function。
疑问：里面p4说policies are inherently lower variance than value functions，这是为啥？因为value是unbounded吗？