# VCBM, pekiştirmeli öğrenmede ödüle yol açan kararlara odaklanıyor

> Manchester Üniversitesi’nde hazırlanan bir tez, sonuç doğuran eylemlere daha fazla pay atayan bir yöntemi iki farklı ortamda deniyor ve umut verici sonuçlar bildiriyor.

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

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.

## Gerçekler

- Saat tamiri deneyinde 20 farklı başlangıç değeri kullanıldı; VCBM bunların tümünde bilinen nedensel yapıyla eşleşti.
- AppWorld karşılaştırmasında Qwen2.5-7B-Instruct kullanıldı ve her yöntem için tek bir başlangıç değeriyle deneme yapıldı.

## 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.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-20