曼彻斯特大学的一篇学位论文介绍了视觉因果链标记法（VCBM），帮助强化学习智能体识别哪些行动带来了延迟奖励。在一项修理手表的模拟实验中，VCBM经过平均1,532.3轮训练后，正确决策率达到95.07%；这一数据来自20次运行。作为对照，RUDDER基线方法平均需要3,327.1轮。在AppWorld中，采用VCBM混合训练后，任务成功率从0.354升至0.458。不过，这项对比中每种方法都只运行了一次，因此尚不能视为统计学上的验证。
为什么重要
对于训练智能体完成延迟奖励任务的研究人员，VCBM提供了一种经过测试的方法，可让训练更重视影响结果的决策；不过，AppWorld实验仍需更多次运行，才能确认结果是否可靠。
