في عالم التعلم المعزز مدى الحياة، لا يكفي فقط الاحتفاظ بالسياسات التي تم تعلمها سابقًا لضمان فعالية نقل المعرفة إلى مهام جديدة. تنص الأبحاث الأخيرة على أن المعرفة المفيدة قد تتوزع عبر عدة سياسات سابقة، وأن أهميتها قد تتغير مع تزايد تجربة المتعلم. هنا يكمن جمال التعلم المستمر، حيث يمكن استخدام التشابه بين المهام كوسيلة فعالة للعثور على السياسات السابقة ودمجها.

لتجربة ذلك، تم تصميم تقنية اختيار القناع التكيفي ودمج السياسات (Adaptive Mask Selection and Composition - AMSC) التي تقدّر التشابه استنادًا إلى التجارب السابقة عبر نماذج إدراكية غير معلمومة تُعرف بتضمين المهام باستخدام مقياس و Wasserstein. يتم استخدام القيم المحسوبة لتشكل دعمًا قابلًا للتغيير لاختيار وتمييز السياسات التي ستستخدم عند تعلم مهمة جديدة.

على مجموعة بيانات CT-graph وMiniGrid، أظهرت تقنية AMSC أداءً متفوقًا مقارنة بأساليب الدمج المعيارية، بينما لم يظهر أي نسيان. تشير النتائج أيضًا إلى أن تحديد المعرفة السابقة ذات الصلة وتكوينها قد يتطلب ضبطًا إضافيًا حسب الطبقات، مما يزيد من دقة النموذج.

لا تقتصر القوة على كيفية تحديد المصادر ذات الصلة فحسب، بل أيضًا على كيفية تحديد مدى قوة إعادة استخدامها، حيث تمتلك هذه العناصر المركزية تأثيرًا كبيرًا على النتائج.

باختصار، توضح هذه النتائج أن التشابه بين المهام يمكن أن يكون معيارًا فعالًا لاختيار وتقييم المعرفة المحددة لإعادة استخدامها في عمليات التعلم المعزز مدى الحياة. هل تعتبر هذه الاستراتيجيات كأداة تثري التعلم المعزز لديك؟