# VCBM آموزش تقویتی را بر تصمیم‌های پاداش‌آور متمرکز می‌کند

> پایان‌نامه‌ای در دانشگاه منچستر روشی را برای اختصاص اعتبار بیشتر به اقدام‌های اثرگذار می‌آزماید؛ نتایج در دو محیط متفاوت امیدوارکننده است.

Oossa · 2026-10-20 · https://oossa.com/fa/vcbm-focuses-rl-training-on-decisions-tied-to-rewards

پایان‌نامه‌ای در دانشگاه منچستر روش «نشان‌گذاری زنجیره علّی بصری» (VCBM) را معرفی می‌کند؛ روشی که به عامل‌های یادگیری تقویتی کمک می‌کند بفهمند کدام اقدام‌ها به پاداش‌های با تأخیر منجر شده‌اند. این روش در شبیه‌سازی تعمیر ساعت، طی ۲۰ اجرا به‌طور میانگین پس از ۱٬۵۳۲٫۳ اپیزود به دقت ۹۵٫۰۷٪ در تصمیم‌گیری رسید؛ درحالی‌که روش مبنای RUDDER به ۳٬۳۲۷٫۱ اپیزود نیاز داشت. در AppWorld، آموزش ترکیبی با VCBM میزان موفقیت در انجام وظایف را از ۰٫۳۵۴ به ۰٫۴۵۸ افزایش داد، اما این مقایسه برای هر روش فقط یک اجرا داشت و بنابراین تأیید آماری محسوب نمی‌شود.

## حقایق

- در آزمایش تعمیر ساعت از ۲۰ بذر تصادفی استفاده شد؛ VCBM در همه آن‌ها با ساختار علّی شناخته‌شده مطابقت داشت.
- مقایسه در AppWorld با مدل Qwen2.5-7B-Instruct و یک بذر تصادفی برای هر روش انجام شد.

## چرا مهم است

برای پژوهشگرانی که عامل‌ها را برای انجام وظایف دارای پاداش با تأخیر آموزش می‌دهند، VCBM روشی آزموده‌شده برای برجسته‌کردن تصمیم‌های اثرگذار ارائه می‌کند؛ بااین‌حال، برای اطمینان از اعتبار نتیجه AppWorld به اجراهای بیشتری نیاز است.

## منابع و ارجاع‌ها

1. [Visual Causal-chain Bookmarking: Retrieval-Weighted Credit Assignment for Reinforcement Learning from Delayed Reward](https://arxiv.org/abs/2610.24032) – arXiv cs.LG, 2026-10-20

آخرین به‌روزرسانی: 2026-10-20