يقدم المؤلفون قصر الذاكرة الكامنة (LMP)، وهي طريقة تتيح الاستدلال لسياسات التحكم المستمرة عن طريق تنظيم المعلومات في فضاء كامني ذاتي الانحدار. يصوغ هذا النهج هذا الاستدلال كاستدلال بايزي مع توزيع كامني ذاتي الانحدار ويستنتج تقنية تعلم التعزيز في الفضاء الكامني لتحسين حدّها الأدنى البايزي.
- يحقق السياسة الناتجة، LMP-$\pi$، أداءً تجريبيًا قويًا في مجالات المحاكاة والعالم الحقيقي مع إظهار تخصيص قابل للتفسير وتكيفي لحساب وقت الاختبار.
- ينتج الإطار أيضًا موحد رموز إجراءات بطول متغير، LMP-$\texttt{tok}$، والذي يحسن بشكل كبير أداء السياسات ذاتية الانحدار اللاحقة.
تقدم هذه النتائج منظورًا جديدًا للاستدلال الكامني للتحكم من خلال عدسة الاستدلال البايزي.