📈 現在alphaXivでトレンド中 「∆信念-RL:長期的相互作用のための内在的信用割り当て」 長期的なインタラクティブ強化学習は厳しいです。報酬が乏しく、どの具体的な質問や行動が実際に成功をもたらしたのか不明で、エージェントは学ばないか、脆いヒューリスティックを学ぶかのどちらかです。 これを改善するために、∆Belief-RLは「好奇心」を適切な長期学習シグナルに変えます。相互作用がエージェントの真の答えへの信頼を高めるたびに報酬を与え、モデル自身の正しい結果の確率を高めます。 これにより、適切な質問をする際に密な段階的なクレジット割り当てが得られ、エージェントは効果的な情報探索行動をより早く習得し、より長い視野+顧客サービスやパーソナライズといった実際のタスクに一般化し、無駄なやり取りを大幅に減らすことができます。