Modello RL Interpretabile Eguaglia le Reti Neurali su Atari Breakout

I ricercatori hanno introdotto un modello di apprendimento esperienziale interpretabile che utilizza la cronologia degli stati e il feedback globale per apprendere modelli comportamentali rappresentati come grafi di transizione tra insiemi di stati, con utilità attribuita e conteggi di evidenza. Progettato per ambienti con risorse limitate, il modello è stato valutato sul benchmark OpenAI Gym Atari Breakout e ha raggiunto prestazioni paragonabili a quelle delle soluzioni basate su reti neurali note. Il lavoro è pubblicato su arXiv nelle categorie di informatica e apprendimento automatico.