في ظل تزايد الاعتماد على تقنيات التعلم غير المشرف (Unsupervised Learning) في مجال التعلم المعزز (Reinforcement Learning)، تصبح الحاجة إلى فهم نظري مفصل لهذه الطرق ضرورة متزايدة. تركز هذه الدراسة على إعداد التعلم غير المشرف من خلال التفاعل، حيث يُعتبر تعلم التمثيل من خلال النماذج التكرارية (Forward-Backward Representations) مثالاً بارزًا وشائعًا.

تتناول الورقة البحثية الجديدة تسليط الضوء على هذا الأسلوب من خلال وضعه في سياق أوسع يتضمن مجموعة من الأساليب الحديثة التي تستخدم التحليل الانحداري (Regression) للحصول على تقريب قليل الرتبة لقياس التتابع المتبادل (Successor Measure Ratio). توضح التحليلات المقدمة متى يمكن أن توجد تمثيلات FB وكيفية تقارب التقديرات في الممارسات العملية.

بناءً على هذه النظرية، اقترح الباحثون نسخة معدلة من FB، مما يجعلها أسهل في الفهم النظري وأبسط في التحسين العملي. تظهر التجارب في بيئات تعليمية، وكذلك في عشرة مجالات للتحكم المستمر المعتمدة على الحالة والصورة، أن الطريقة الجديدة تتقارب لتمثيلات مطلوبة بأخطاء أقل بـ100,000 مرة مقارنة بـFB، مع تحقيق تحسين بنسبة 24% في الأداء ما بعد التقديري.

علاوة على ذلك، قدمت السياسات التي تم استخراجها بدون ضوابط باستخدام هذا الخوارزم الجديد بداية فعالة إذا كان المستخدم يفضل المزيد من التخصيص في المهام التالية. للاطلاع على تفاصيل المشروع، يمكنك زيارة الموقع الإلكتروني للمشروع.