Apprendimento per Rinforzo nello Spazio delle Matrici per il Riutilizzo della Geometria di Transizione Locale

È stato introdotto un nuovo approccio noto come Apprendimento per Rinforzo nello Spazio delle Matrici (MSRL) per migliorare la generalizzazione compositiva in compiti decisionali sequenziali. Questo metodo utilizza descrittori di matrici semidefinite positive per rappresentare segmenti di traiettorie, che consolidano statistiche di primo e secondo ordine da transizioni a un passo sollevate. Impiegando questa astrazione geometrica, MSRL scopre strutture nascoste condivise, facilita la composizione algebrica in uno spazio matriciale astratto e identifica potenziali opportunità di trasferimento. Lo studio conferma che questi descrittori sono ben definiti, completi per la classe di segnali additivi di ordine inferiore, additivi durante composizioni di segmenti validi e minimamente sufficienti tra i descrittori additivi ammissibili. Inoltre, la ricerca indica che condizionare le funzioni valore sui segmenti di traiettoria può migliorare l'apprendimento, affrontando le carenze delle tecniche attuali che non considerano le dinamiche di transizione locali.