#reinforcement learning

Práca EasyRL spája trochu označených „ľahkých“ dát, pseudo-labeling a postupné zosilňovanie náročnosti. Autori tvrdia, že tým zlepšujú reasoning výkon bez nákladov typických pre plne anotované RL pipeline.

Nová práca na kontinuálnych multi-timescale agentoch ukazuje, že pridané moduly na self-monitoring či seba-predikciu neprinášajú samy osebe merateľný zisk. Zlepšenie sa objaví až vtedy, keď sú tieto signály priamo zapojené do rozhodovacej cesty agenta.

Práca o continuous-time multi-timescale agentoch spochybňuje obľúbenú predstavu, že stačí pridať self-monitoring a agent bude automaticky robustnejší. Autori ukazujú, že pomocné metakognitívne moduly samy o sebe nepriniesli významné zlepšenie, pokiaľ neboli hlbšie zapracované do architektúry rozhodovania.

Nový paper ukazuje, že samostatné moduly seba-monitorovania agentom veľmi nepomáhajú. Zisk sa objavuje až vtedy, keď sa ich výstupy napoja priamo na rozhodovaciu cestu.

Nová výskumná práca testuje, či sebamonitorovanie, self-prediction a subjektívne vnímanie času skutočne pomáhajú agentom v RL prostredí. Výsledok je triezvy: prídavné metakognitívne moduly bez hlbšej integrácie takmer nepomáhajú a niekedy sú iba ozdobou vedľa rozhodovacieho jadra.