本研究提出了一种名为神经DNF-MT的神经符号方法，旨在解决深度强化学习中的策略可解释性问题。该方法结合模型训练与标准逻辑程序，实现了可编辑的确定性政策表示，允许对学习策略进行手动干预和适应。

本研究提出了SHIRE框架，通过编码人类直觉提升深度强化学习的样本效率。实验结果表明，该方法在多个环境中实现了25-78%的样本效率提升，并增强了策略的可解释性。