เปรียบเทียบวิธี

	การเรียนรู้แบบเสริมกำลังที่ปรับตามโดเมน	การเรียนรู้แบบเสริมกำลังเชิงลึก
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2009–2020	2015
ผู้ริเริ่ม	Multiple contributors (Taylor & Stone 2009 survey; Kim et al. 2020 among key formalizations)	Mnih, V. et al. (DQN)
ประเภท	Transfer-based RL paradigm	Sequential decision-making (agent–environment interaction)
แหล่งต้นตำรับ	Kim, K., Kim, H., Lim, H., & Choi, J. (2020). Domain Adaptive Reinforcement Learning with Model-Based Approach. arXiv preprint arXiv:2102.03170.	Mnih, V. et al. (2015). Human-Level Control through Deep Reinforcement Learning. Nature, 518, 529–533.
ชื่อเรียกอื่น	Domain-Adaptive RL, DARL, Cross-domain RL, Transfer RL with domain adaptation	Derin Pekiştirmeli Öğrenme (DQN / PPO / A3C), derin pekiştirmeli öğrenme, deep RL, DRL
ที่เกี่ยวข้อง	2	4
สรุป	Domain-Adaptive Reinforcement Learning (DARL) extends standard RL by enabling a policy trained in one environment or domain to transfer and generalise effectively to a different but related target domain. It addresses the domain-shift problem — where dynamics, observations, or reward structures differ between training and deployment — through alignment, adaptation, or domain-randomisation techniques, reducing the need to collect costly experience in the target domain.	Deep Reinforcement Learning combines neural networks with reinforcement learning so an agent learns by interacting with an environment, popularised by Mnih and colleagues' 2015 Nature work on human-level Atari control. Instead of learning from a fixed labelled dataset, the agent takes actions, observes rewards, and gradually shapes a policy that maximises long-run return.