İnsanlar yeni, abstrakt nəticələrə təkmilləşdirmə öyrənməsini dəstəkləmək üçün bənzərsiz qiymət verə bilərlər. Bununla birlikdə, bu çeviklik bilişmə baxımından bahalıdır və öyrənmə səmərəliliyini azaldır. Biz məqsəddən asılı öyrənməni əvvəlcə məhdud iş yaddaşına əsaslanır. Düzgün təcrübə ilə öyrənənlər təkraredici qəbul etdikdən sonra avtomatik qiymətləndirmə üçün uzunmüddətli yaddaşlara köçürən sadələşdirilmiş bir qayda sıxılmış mükafat funksiyası yaradırlar. Bu avtomatiklik iş xatirəsi resurslarını azad edir və bu da öyrənmə effektivliyini artırır. Altı təcrübədə göstərdik ki, öyrənmə hədəf məkanının ölçüsü ilə pozulur, lakin bu məkan sıxılma imkanı verdiyi zaman yaxşılaşır. Bundan əlavə, daha sürətli mükafatlandırma daha yaxşı öyrənmə ilə əlaqələndirilir. Algoritm detalları hələ müəyyən edilməsinə baxmayaraq, hesablama modelləşdirməsində mükafat emalı sürəti ilə əlaqəli sıxılma səmərəliliyinin fərdi fərqlərinin daha yüksək seçim dəqiqliyinə səbəb olduğunu ortaya çıxardı. Birlikdə davranış nəticələrimiz və hesablama modellərimiz göstərir ki, effektiv məqsəd yönəldilmiş öyrənmə mürəkkəb məqsədləri sabit mükafat funksiyalarına sıxmaqla asılıdır.
Samuel MakDogl, Beth Baribault və Amy Zü-yə bu əsərin əvvəlki təkrarlamalarında dəstək üçün minnətdarıq.
Bu iş A.G.E.C-yə verilən 2020844 və 2336466 NSF qrantları ilə maliyyələşdirilib.
Kaliforniya Universiteti, Berkeley, Berkeley, CA, ABŞ
Müəlliflər heç bir rəqabət maraqlarının olmadığını bəyan edirlər.
Nəşriyyatın qeydinə görə Springer Nature nəşr edilmiş xəritələrdə və qurumlara aid olan hüquq iddiaları ilə bağlı neytral olaraq qalır.
Xülasə — davamını mənbədə oxuyun.
