در دنیای یادگیری تقویتی (RL)، یکی از چالشهای اصلی، نحوه انتخاب هوشمندانه «زیرهدفها» در محیطهای پیچیده است که اغلب با مشکلاتی مثل فروپاشی مُد (Mode Collapse) مواجه میشود. محققان به تازگی مدل جدید «NFTR» را معرفی کردهاند که با ترکیب جریانهای نرمالساز (Normalizing Flows) و یک امتیازدهی جدید به نام Triangle-slack، این مشکل را حل میکند.
این متد اجازه میدهد رباتها و عوامل هوشمند در محیطهای آموزشی، مسیرهای بهینهتر و پایدارتری را انتخاب کنند و از انتخابهای نادرست (که ناشی از نویز یا بدشانسی در محیطهای احتمالی است) جلوگیری کنند. این یعنی یک قدم دیگر به سمت عوامل خودمختار و دقیقتر! 🤖✨
📌 برای مطالعه جزئیات فنی و دسترسی به کد پروژه میتوانید به گیتهاب این تحقیق سر بزنید.
منبع: arXiv Machine Learning
