محققان در تازهترین دستاورد خود، راهکار جدیدی برای بهبود «انتخاب ویژگی» (Feature Selection) در یادگیری تقویتی (RL) ارائه کردهاند. در بسیاری از مدلهای سنتی، نویز موجود در دادهها باعث کاهش دقت میشود، اما این پژوهش با استفاده از یک رویکرد ریاضی پیشرفته (جریمه PMC غیرمحدب)، توانسته سوگیریهای مزاحم را حذف و دقت مدل را به شکل قابل توجهی افزایش دهد.
این متد که از الگوریتم FRBS بهره میبرد، بهویژه برای محیطهایی که با تعداد زیادی ویژگیهای غیرضروری و نویزی سر و کار دارند، یک جهش بزرگ محسوب میشود و عملکرد آن نسبت به روشهای فعلی بسیار برتر است.
منبع: arXiv Machine Learning