發表時間：2018（ICLR 2018）
文章要點：這篇文章用ensemble的方式來度量model uncertainty，然後用來調整訓練，避免policy利用model訓練不充分（model bias）的地方進行學習，從而影響訓練效果（policy optimization tends to exploit regions where insufficient data is available to train the model, leading to catastrophic failures）。
具體的，就是訓練多個model，然後每次隨機選一個model來predict下一個狀態，避免policy在一個model上overfitting。以及用多個model來判斷更新的好壞，如果在小於70%的model上效果都不如之前的policy，就終止在model裡訓練，回到真實的環境裡面去收集資料，進行下一個迴圈。
總結：