پژوهشگران چارچوبی برای یادگیری تقویتی در فرایندهای مارکوف دوسویه پیشنهاد کردند

الگوریتم‌های یادگیری تقویتی معمولاً برای فرایندهای تصمیم‌گیری مارکوفی طراحی می‌شوند که پویایی آن‌ها از یک حالت اولیه به‌سمت جلو پیش می‌رود. اما برخی مسائل، از جمله در کنترل تصادفی و سامانه‌های شبکه‌ای، هم پویایی پیش‌رو و هم پویایی پس‌رو دارند و در قالب یک فرایند مارکوف استاندارد بیان نمی‌شوند.

پژوهشگران در پیش‌چاپی در arXiv مفهوم «فرایندهای تصمیم‌گیری مارکوف پیش‌رو و پس‌رو» (FB-MDP) را برای مسائل چندهدفه معرفی کرده‌اند. آن‌ها همچنین چارچوبی نظری برای توصیف راه‌حل‌های بهینه در این مسائل توسعه داده و یک الگوریتم عمومی پیش‌رو-پس‌رو پیشنهاد کرده‌اند. جزئیات بیشتر الگوریتم در متن منبع ارائه‌شده در دسترس نیست.