I en avhandling från University of Manchester presenteras Visual Causal-chain Bookmarking (VCBM), en metod som hjälper förstärkningsinlärande agenter att lära sig vilka handlingar som ledde till belöningar längre fram. I en simulering av klockreparation fattade metoden korrekta beslut i 95.07% av fallen efter i genomsnitt 1,532.3 episoder i 20 körningar, jämfört med 3,327.1 episoder för RUDDER-baslinjen. I AppWorld ökade VCBM-blandad träning andelen lyckade uppgifter från 0.354 till 0.458. Jämförelsen byggde dock på bara en körning per metod och är därför ingen statistisk bekräftelse.
Varför det spelar roll
För forskare som tränar agenter på uppgifter med fördröjda belöningar erbjuder VCBM ett testat sätt att lyfta fram avgörande beslut. Resultatet i AppWorld behöver dock bekräftas med fler körningar innan man kan bedöma hur tillförlitligt det är.
