Self-supervised Reinforcement Learning (SSL-augmented RL)

Melatih ejen RL semata-mata daripada isyarat ganjaran sangat memerlukan data: ganjaran jarang dan tertangguh, jadi ejen perlu melalui pengalaman yang luas untuk mempelajari ciri yang berguna. RL kendiri menambah isyarat pembelajaran kedua yang diperolehi daripada data itu sendiri — contohnya, meramal pemerhatian masa depan, mengenali bahawa dua pandangan tambahan bagi bingkai yang sama adalah berkaitan, atau membina semula input. Isyarat tambahan ini membentuk perwakilan dalaman ejen supaya struktur yang bermakna ditangkap lama sebelum ganjaran yang bermaklumat muncul, secara dramatik meningkatkan kelajuan dan ketahanan pembelajaran.