AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-22

کم از کم گواہ تقویتی سیکھائی

اصل عنوان: Minimal Witness Reinforcement Learning

یہ مقالہ اس بار بار سامنے آنے والے سوال سے نمٹتا ہے کہ کون سی ناقابلِ اختصار شرائط کسی نتیجے پیدا کرنے کے لیے کافی ہوتی ہیں، اور متعدد کم از کم کافی شرائط ('واٹنسز') کی تلاش کو—جن کا جواب معیاری RL عام طور پر کوئی ایک واحد یا زائد حل دیتا ہے—مینیمل-وٹنس شناخت کے طور پر فارملائز کرتا ہے۔ مینیمل-وٹنس ری انفورسمنٹ لرننگ (MWRL) کامیاب پالیسی تجاویز کی جانب سے تصدیق شدہ سیٹوں کا اتحاد لیتی ہے اور ہر تجویز کو اس کوریج کا سہرا دیتی ہے جو اتحاد اس کے بغیر کھو دیتا، جس سے ایک واحد بلیک-باکس ویریفائر بٹ سے کم سے کم ہونے کا اصول اور متبادل کی بحالی یکجا ہو جاتی ہے۔ اسی اصول کے تحت مصنفین ایک ویلیو اٹریشن پلانر اخذ کرتے ہیں جو مکمل وٹنس خاندان بحال کرتا ہے، اور ایک پالیسی گریڈینٹ طریقہ جو بڑے لینگویج ماڈلز تک پھیلتا ہے، جہاں MWRL زیادہ تر مینیمل وٹنسز بحال کر لیتی ہے جبکہ دوسرے طریقے زائد سپر سیٹس یا کوئی ایک واحد وٹنس واپس کرتے ہیں۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →