เปรียบเทียบวิธี

	การเรียนรู้แบบเสริมกำลังหลายภาษา	การเรียนรู้แบบเสริมกำลัง
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s (applied to multilingual NLP settings)	1950s–1998
ผู้ริเริ่ม	Sutton, R. S. & Barto, A. G. (RL foundations); multilingual extensions emerged from the NLP/RL community in the 2010s	Sutton, R. S. & Barto, A. G. (formalised); Bellman, R. (foundations)
ประเภท	Reinforcement learning applied to multilingual environments	Sequential decision-making framework
แหล่งต้นตำรับ	Sutton, R. S., & Barto, A. G. (1998). Reinforcement Learning: An Introduction. MIT Press. ISBN: 978-0262193986	Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
ชื่อเรียกอื่น	Cross-Lingual RL, Multilingual RL, Multilingual Policy Learning, Cross-Lingual Reinforcement Learning	RL, reward-based learning, trial-and-error learning, policy optimization
ที่เกี่ยวข้อง	5	2
สรุป	Multilingual Reinforcement Learning applies the RL paradigm — an agent learning by interaction and reward — to environments that involve multiple languages. The agent must interpret multilingual observations, follow cross-lingual instructions, or generalize policies trained in one language to new target languages, making it applicable to cross-lingual dialogue, multilingual game-playing agents, and language-grounded sequential decision tasks.	Reinforcement Learning (RL) is a framework in which an agent learns to make sequential decisions by interacting with an environment, receiving scalar reward signals, and updating a policy to maximise cumulative future reward. Unlike supervised learning, no labeled examples are provided; the agent discovers optimal behavior entirely through experience and delayed feedback.