في عالم الذكاء الاصطناعي، تتواصل الابتكارات لتدفع حدود التعلم الآلي، وأحدث هذه الابتكارات يتعلق بجدولة السياقات الديناميكية (Dynamic Context Scheduling). قام فريق بحثي بتقديم دراسة جديدة تركز على استخدام جدولة السياقات الديناميكية كأداة تدريب في التعلم المعزز السياقي. عوضاً عن اعتبار تقلب السياق خلال الحلقات التدريبية ظاهرةٍ اعتيادية، تم اعتبارها آلية تشكيل مسيطرة.

تسمح هذه المنهجية بأن يتطور السياق داخل كل حلقة تدريبية وفقاً لجدول زمني محدد سلفاً، مما يفتح للمطورين القدرة على استغلال مناطق أغنى وأكثر تنظيماً زمنياً ضمن فضاء معلمات البيئة. يتمثل أحد الابتكارات الرئيسية في إطار عمل DYNAMICCARLENV، الذي يضم بيئات سياقية مع عائلات جدولة قابلة للتوصيل مثل الإزاحات الجيبية أو تخفيض الكوسين.

عند اختباره على مجموعة متنوعة من الألعاب مثل CartPole وBipedalWalker وVehicleRacing باستخدام مؤسسة CARL السياقية، تبين أن الجداول الديناميكية تحقق أداءً يساوي أو يفوق الأسس الثابتة للسياقات في أنظمة البيانات غير الموزعة. ما هو أكثر إثارة، هو أننا شهدنا أداءً أعلى في التقييم داخل التوزيع (ID) في البيئات الأكثر تعقيداً.

تشير النتائج الأولية إلى أن البحث التلقائي عن مناهج متعددة المراحل يمكن أن يكتشف بأمان جداول زمنية تعزز من عملية التعميم، مما يجعلها تضاهي البحث الكثيف لجدولات ذات مرحلة واحدة.