تواجه عمليات [التعلم المعزز](/tag/[التعلم](/tag/التعلم)-المعزز) ([Reinforcement Learning](/tag/reinforcement-learning)) [تحديات](/tag/تحديات) جذرية عند معالجة المهام التي تتطلب أهدافًا بعيدة الزمن، وخاصةً عندما تكون [المكافآت](/tag/المكافآت) نادرة. على الرغم من وجود طرق هرمية (Hierarchical Methods) تعتمد على [الرسم البياني](/tag/الرسم-البياني) (Graph-based Methods) كحلول جزئية، إلا أن اعتمادها على [تقنيات](/tag/تقنيات) إعادة التسمية في الماضي (Hindsight Relabeling) لا ينجح دائمًا في تصحيح عدم القابلية لتحقيق الأهداف الفرعية، مما يؤدي إلى فعالية [التخطيط](/tag/التخطيط) على مستوى عالٍ منخفضة.

لتجاوز هذه العوائق، تم [اقتراح](/tag/اقتراح) إطار [عمل](/tag/عمل) [جديد](/tag/جديد) يُعرف بتنفيذ [الأهداف الفرعية](/tag/الأهداف-الفرعية) بدقة (Strict Subgoal Execution - SSE). يعتمد هذا الإطار على [التكنولوجيا](/tag/التكنولوجيا) الرسومية، حيث يتضمن [تقنية](/tag/تقنية) [استرجاع](/tag/استرجاع) [التجارب](/tag/التجارب) الحدودية (Frontier Experience Replay - FER) لتفريق [الأهداف الفرعية](/tag/الأهداف-الفرعية) غير القابلة للتحقيق عن الأهداف المسموح بها، مما يسهل [اتخاذ القرارات](/tag/اتخاذ-القرارات) على مستوى عالٍ.

تقوم [تقنية](/tag/تقنية) FER بتحديد الحدود القابلة للوصول باستخدام [تحولات](/tag/تحولات) الفشل والنجاح الجزئي، مما يساعد في [التعرف على الأهداف](/tag/[التعرف](/tag/التعرف)-على-الأهداف) الفرعية غير الموثوقة، وزيادة [موثوقية](/tag/موثوقية) الأهداف، وتقليل القرارات غير الضرورية على المستوى العالي. بالإضافة إلى ذلك، يوفر نهج SSE [سياسة](/tag/سياسة) [استكشاف](/tag/استكشاف) مفصولة لتغطية المناطق غير المكتشفة من مساحة الأهداف، ويستخدم [تحسين المسارات](/tag/[تحسين](/tag/تحسين)-المسارات) (Path Refinement) لضبط [تكاليف](/tag/تكاليف) الحواف استنادًا إلى الفشل الملحوظ على المستوى المنخفض.

أظهرت النتائج التجريبية [عبر](/tag/عبر) [معايير](/tag/معايير) متعددة الأفق الطويلة أن SSE يتفوق باستمرار على الطرق الحالية الموجهة [نحو](/tag/نحو) الأهداف والهرمية من حيث [الكفاءة](/tag/الكفاءة) ونسبة النجاح. يمكنكم الاطلاع على الشيفرة المصدرية المستخدمة في هذا [البحث](/tag/البحث) من خلال [تجربة SSE](https://jaebak1996.github.io/SSE/).