Manchester Üniversitesi’nde hazırlanan bir tez, pekiştirmeli öğrenme ajanlarının gecikmeli ödüllere hangi eylemlerin yol açtığını öğrenmesine yardımcı olan Visual Causal-chain Bookmarking (VCBM) yöntemini tanıtıyor. Bir saat tamiri simülasyonunda yöntem, 20 denemenin ortalamasında 1.532,3 bölümde %95,07 doğru karar oranına ulaştı. RUDDER temel yöntemi ise aynı sonuca 3.327,1 bölümde ulaştı. AppWorld’de VCBM ile harmanlanmış eğitim, görev başarı oranını 0,354’ten 0,458’e çıkardı. Ancak bu karşılaştırmada her yöntem için yalnızca bir deneme yapıldığından sonuç istatistiksel olarak doğrulanmış değil.
Neden önemli
Gecikmeli ödüller içeren görevler için ajan eğiten araştırmacılara VCBM, sonuç doğuran kararları öne çıkarmak için denenmiş bir yöntem sunuyor. Ancak AppWorld sonucunun ne kadar güvenilir olduğunu anlamak için daha fazla deneme gerekiyor.
