लेखकों ने कई मार्कोव निर्णय प्रक्रियाओं (MDP) के across संचालित होने वाली एक हियरार्किकल मशीन टीचिंग एल्गोरिदम पेश करके इनवर्स रीइंफोर्स्मेंट लर्निंग (IRL) की चुनौती को संबोधित किया है। यह दृष्टिकोण पुरस्कार कार्यों को अनुमानित करने का प्रयास करता है जो विषम फीडबैक मोडालिटीज और बदलते पर्यावरण गतिशीलता के बावजूद प्रभावी ढंग से सामान्यीकृत होते हैं।
- सैद्धांतिक विश्लेषण दिखाता है कि असीमित-डेटा शासन में, तुलनाएं अन्य फीडबैक मोडालिटीज की तुलना में पुरस्कारों पर कठोर रूप से मजबूत वैश्विक बाधाएं लगाती हैं।
- प्रस्तावित एल्गोरिदम पूरक पुरस्कार बाधाओं को उजागर करने के लिए सूचनात्मक पर्यावरणों को लालची ढंग से चुनता है, फिर उनके भीतर कम लागत वाले फीडबैक को क्वेरी करता है।
- प्रायोगिक परिणाम समान फीडबैक बजट के तहत यूनिफॉर्म टीचिंग बेलाइन्स की तुलना में काफी कम रेग्रेट और होल्ड-आउट पर्यावरणों के लिए मजबूत सामान्यीकरण प्रदर्शित करते हैं।
लेखक इसे महत्वपूर्ण मानते हैं क्योंकि यह विविध संचालन संदर्भों में मानव इरादे के साथ समन्वयित गतिशीलता-रोबस्ट पुरस्कार कार्यों को सीखने के लिए बहु-पर्यावरण, बहु-मोडल टीचिंग के महत्व को प्रदर्शित करता है।