लेखकों ने कई मार्कोव निर्णय प्रक्रियाओं (MDP) के across संचालित होने वाले एक हियरार्किकल मशीन टीचिंग एल्गोरिदम पेश करके इन्वर्स रीइंफोर्मेंट लर्निंग (IRL) की चुनौती को संबोधित किया है। यह दृष्टिकोण विविध संचालन संदर्भों में अच्छी तरह सामान्यीकृत होने वाले पुरस्कार फलनों को इनफर करने का लक्ष्य रखता है, न कि केवल एकल पर्यावरण पर ओवरफिटिंग करने वाला।
- सैद्धांतिक विश्लेषण दिखाता है कि अनलिमिटेड-डेटा रिजीम में, तुलनाएं अन्य फीडबैक मोडालिटी की तुलना में पुरस्कारों पर कड़ाई से मजबूत वैश्विक बाधाएं लगाती हैं।
- एल्गोरिदम सूचनात्मक पर्यावरणों को ग्रिडी रूप से चुनता है ताकि पूरक पुरस्कार बाधाओं को उजागर किया जा सके और उनके भीतर कम लागत वाले फीडबैक को रणनीतिक रूप से क्वेरी किया जा सके।
- 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।
यह कार्य स्वतंत्र एजेंट्स में गतिशीलता-रोबस्ट पुरस्कार फलनों को सीखने के लिए बहु-पर्यावरण, बहु-मोडल टीचिंग के महत्व को उजागर करता है।