📈 ahora en tendencia en alphaXiv "∆Belief-RL: Asignación intrínseca de créditos para interacción a largo plazo" El RL interactivo a largo plazo es brutal porque las recompensas son escasas y no está claro qué preguntas o acciones específicas causaron realmente el éxito, así que los agentes o no aprenden o aprenden heurísticas frágiles. Para mejorar esto, ∆Belief-RL convierte la "curiosidad" en una señal adecuada de aprendizaje a largo plazo al recompensar a un agente cada vez que una interacción aumenta su creencia en la respuesta verdadera, incrementando así la probabilidad del propio modelo sobre el resultado correcto. Esto proporciona una asignación de créditos densa y paso a paso por hacer las preguntas adecuadas, de modo que los agentes aprenden comportamientos efectivos de búsqueda de información más rápido y generalizan a horizontes mucho más largos + tareas reales como atención al cliente y personalización con muchas menos interacciones desperdiciadas.