محققان در مقاله جدیدی، روشی نوآورانه به نام FORE (Fitted Occupancy-Ratio Evaluation) را معرفی کردهاند که تحولی در تخمین نسبتهای اشغال (Occupancy Ratios) ایجاد میکند.
این روش که بر پایه یک رویکرد «نقطه ثابت» (Fixed-point) طراحی شده، برخلاف متدهای قبلی، نیازی به پیشفرضهای سختگیرانه «کامل بودن بلمن» ندارد و تنها با تحققپذیری نسبت اشغال، به دقت بالایی در یادگیری تقویتی میرسد. این دستاورد میتواند به مدلهای هوش مصنوعی کمک کند تا در محیطهایی که دادههای کامل ندارند، تصمیمگیریهای بسیار دقیقتری داشته باشند. 🤖💡
منبع: arXiv Machine Learning