Aprenentatge per reforç semisupervisat

Entrenar un agent d'RL pur és car: l'agent ha d'interactuar amb l'entorn molts milers de vegades abans que els senyals de recompensa el guiïn cap a un bon comportament. L'RL semisupervisat tracta la majoria d'aquestes interaccions com a dades no etiquetades i aplica objectius d'aprenentatge contrastius, predictius o auxiliars per construir representacions d'estat més riques a partir d'elles. Aquestes representacions acceleren l'aprenentatge de polítiques aigües avall a partir de les escasses transicions etiquetades amb recompensa, de la mateixa manera que els embeddings de llenguatge pre-entrenats acceleren el fine-tuning en corpus de text petits i etiquetats.