University of Manchester के एक शोधप्रबंध में Visual Causal-chain Bookmarking (VCBM) पेश किया गया है। यह तरीका reinforcement-learning एजेंटों को यह सीखने में मदद करता है कि किन कार्रवाइयों से बाद में मिलने वाले इनाम हासिल हुए। घड़ी की मरम्मत के सिमुलेशन में, 20 रन के दौरान औसतन 1,532.3 एपिसोड में इसकी सही निर्णय लेने की दर 95.07% रही। वहीं, RUDDER बेसलाइन को उतने ही नतीजे तक पहुंचने में 3,327.1 एपिसोड लगे। AppWorld में VCBM-मिश्रित प्रशिक्षण से कार्यों की सफलता दर 0.354 से बढ़कर 0.458 हुई। हालांकि, इस तुलना में हर तरीके के लिए सिर्फ एक रन किया गया, इसलिए इसे सांख्यिकीय पुष्टि नहीं माना जा सकता।
यह क्यों मायने रखता है
देर से मिलने वाले इनाम वाले कार्यों के लिए एजेंटों को प्रशिक्षित करने वाले शोधकर्ताओं को VCBM अहम फैसलों पर जोर देने का एक परखा हुआ तरीका देता है। हालांकि, AppWorld के नतीजे की विश्वसनीयता स्पष्ट होने से पहले और रन करने होंगे।
