في عالم الذكاء الاصطناعي، تزداد أهمية تحسين القرارات في الوقت الفعلي، خاصة عندما يتعلق الأمر بالبيئات غير المركزية. وقد توصل الباحثون إلى طريقة جديدة تُعرف باسم Decentralized Barrier Follow-the-Regularized-Leader (Dec-BFTRL). تستهدف هذه الطريقة تحديات التحسين عبر المكافآت الكبرى من خلال عملية مستدامة وسلسة.

تعمل Dec-BFTRL على تقييم كل إجراء يتخذه الوكيل بناءً على متوسط جميع الأهداف المحلية. وتُعتمد طريقة تقريبية لتحويل المحاولات الداخلية إلى إجراءات قابلة للتنفيذ، مما يُتيح تواصلًا فعّالًا ومبسطًا. يُحقق كل وكيل، عبر هذه العملية، معدل خيبة أمل شبكي مُتوقع يُعادل O(√T)، على مدار T جولة.

علاوة على ذلك، تم تقديم أربعة تطبيقات تغطي ثلاثة مشاكل في التعظيم المستمر ذي العائدات المتناقصة، مما يؤكد فعالية هذه الطريقة في سياقات متعددة. مع زيادة الاعتماد على الذكاء الاصطناعي في جميع مجالات الحياة، يُمكن أن تُحدث التقنيات مثل Dec-BFTRL طفرة في كيفية اتخاذ القرارات وتحقيق الأهداف.