يتناول المؤلفون تحدي التعلم المعكوس بالتعزيز (IRL) من خلال تقديم خوارزمية تعليم آلي هرمية تعمل عبر عمليات قرار ماركوف المتعددة (MDPs). يهدف هذا النهج إلى استنتاج دوال مكافأة تعمم بشكل فعال على الرغم من تعدد وسائط التغذية الراجعة والديناميكيات البيئية المختلفة.
- يُظهر التحليل النظري أنه في نظام البيانات غير المحدودة، تفرض المقارنات قيودًا عالمية أقوى بكثير على المكافآت مقارنة بوسائط التغذية الراجعة الأخرى.
- تختار الخوارزمية المقترحة بيئات غنية بالمعلومات بشكل جشع لتسليط الضوء على قيود مكافأة تكميلية قبل طلب تغذية راجعة منخفضة التكلفة داخلها.
- تُظهر النتائج التجريبية ندمًا أقل بكثير وتعميمًا أقوى للبيئات المحجوبة مقارنة بأساسيات التعليم الموحدة تحت نفس ميزانيات التغذية الراجعة.
يعتقد المؤلفون أن هذا مهم لأنه يوضح أهمية التعليم متعدد البيئات ومتعدد الوسائط لتعلم دوال مكافأة قوية تتوافق مع نية الإنسان عبر سياقات تشغيلية متنوعة.