KI News: Kurz und klar.

In vielen Aufgaben der sequenziellen Entscheidungsfindung lässt sich das Ziel, von einem Startzustand zu einem Zielzustand zu gelangen, als kürzeste-Pfad-Problem formulieren. Klassische Heuristik-Suchalgorithmen nutzen eine Schätzwertfunktion, die den verbleibenden Aufwand zum Ziel für jeden Zustand angibt.

In der Welt der partiell beobachtbaren Markov-Entscheidungsprozesse (POMDPs) hat die klassische Punkt-basierte Wertiteration lange die Oberhand behalten. Diese Verfahren arbeiten mit einer endlichen Menge von Hyperflächen, den sogenannten α-Vektoren, und führen Bellman-Rückkopplungen an erreichbaren Glaubenspunkten durch, bis eine Konvergenz erreicht ist. Doch sobald die Zustandsmenge wächst, explodiert die Dimensionalität der α-Vektoren und die Berechnungen werden schnell unpraktikabel.