💻 computer science

Learning Lifted Action Models from Traces with Minimal Information About Actions and States

यह शोध पत्र कार्यों और अवस्थाओं दोनों के बारे में आंशिक जानकारी वाले ट्रेसेस (traces) से STRIPS+ एक्शन डोमेन सीखने के लिए एल्गोरिदम और पूर्णता परिणाम प्रस्तुत करता है, जो विशिष्ट स्टेट प्रेडिकेट्स की शून्य, पूर्ण या स्थानीय दृश्यता (observability) वाले परिदृश्यों पर विचार करके पिछली सीमाओं को संबोधित करता है।

मूल लेखक: Jonas Gösgens, Niklas Jansen, Hector Geffner

प्रकाशित 2026-05-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jonas Gösgens, Niklas Jansen, Hector Geffner

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जटिल बोर्ड गेम, जैसे कि शतरंज या स्लाइडिंग-टाइल पहेली, के नियमों को समझने की कोशिश कर रहे हैं, लेकिन आपके पास एक बहुत ही अजीब समस्या है: आप बोर्ड देख नहीं सकते।

आप केवल खिलाड़ियों द्वारा किए गए मूव्स (moves) को देख सकते हैं। आप देखते हैं कि एक पीस "A" से "B" पर गया, या एक खिलाड़ी एक टोकन उठाता है। लेकिन आपको यह नहीं पता कि कौन सा पीस हिला, वह कहाँ से शुरू हुआ था और कहाँ खत्म हुआ, या मूव से पहले और बाद में बोर्ड कैसा दिखता था। आप केवल क्रियाओं (actions) की एक श्रृंखला को देखकर गेम की रूलबुक को रिवर्स-इंजीनियर करने की कोशिश कर रहे हैं।

यह उस शोध पत्र का मूल आधार है जिसका शीर्षक है "Learning Lifted Action Models from Traces with Minimal Information."

यहाँ लेखकों द्वारा किए गए कार्यों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है।

समस्या: "बहुत अधिक जानकारी" का जाल (The "Too Much Information" Trap)

अतीत में, कंप्यूटर वैज्ञानिकों ने AI को ये नियम सिखाने की कोशिश की। उनके पास दो मुख्य दृष्टिकोण थे, लेकिन दोनों में कमियां थीं:

"फुल बोर्ड" दृष्टिकोण (The "Full Board" Approach): AI को पूरा बोर्ड स्टेट (हर पीस की स्थिति) और मूव दिया जाता था।
- कमी: वास्तविक दुनिया में, हम शायद ही कभी पूरा बोर्ड देख पाते हैं। साथ भी, नियम अक्सर बहुत अधिक विवरण मांगते हैं। उदाहरण के लिए, किसी पहेली में एक टाइल को हिलाने के लिए, पुराने नियमों में आपको टाइल की वर्तमान जगह, उसकी अगली जगह और खाली जगह, तीनों को बताना आवश्यक था। लेकिन निर्णय लेने के लिए, आपको वास्तव में केवल "बाएं मुड़ें" (Move Left) जानने की आवश्यकता होती है। अतिरिक्त विवरण निर्णय लेने वाले के लिए केवल शोर (noise) हैं।
"केवल एक्शन" दृष्टिकोण (The "Action Only" Approach): AI को केवल मूव्स की सूची दी जाती थी (जैसे, "बाएं मुड़ें," "उठाएं")।
- कमी: बोर्ड देखे बिना, AI यह नहीं समझ पाता कि वह क्या हिला रहा है। उसे यह नहीं पता होता कि "बाएं मुड़ें" का अर्थ रोबोट को हिलाना है, कार को, या किसी बॉक्स को।

समाधान: एक नई भाषा (STRIPS+)

लेखकों ने एक मध्य मार्ग पेश किया जिसे STRIPS+ कहा जाता है। इसे एक स्मार्ट तरीके से नियम लिखने के रूप में सोचें।

पुराने तरीके (STRIPS) में, एक नियम एक सख्त रूप जैसा दिख सकता था:

Move(Robot, CurrentCell, NextCell)

नए तरीके (STRIPS+) में, नियम एक पहेली की तरह है:

Move()

नियम कहता है: "यदि किसी सेल में एक रोबोट है, और उसके दाईं ओर एक सेल है, तो आप हिल सकते हैं।" कंप्यूटर को यह पता लगाना होगा कि कौन सा रोबोट और कौन से सेल उस विवरण में फिट बैठते हैं। यह एक अपराध सुलझाने वाले जासूस की तरह है जहाँ संदिग्ध का वर्णन नाम "जॉन स्मिथ" के बजाय केवल "लाल टोपी पहने व्यक्ति" के रूप में किया गया है।

नए एल्गोरिदम: SIFT+ और SYNTH+

शोध पत्र इन रहस्यों को सुलझाने के लिए दो नए "जासूसों" (एल्गोरिदम) को प्रस्तुत करता है।

1. SIFT+ (द "एक्शन-ओनली" डिटेक्टिव)

यह क्या करता है: यह केवल मूव्स की सूची को देखकर नियमों को सीखता है, जिसमें बोर्ड का शून्य दृश्य होता है।
यह कैसे काम करता है: यह "Mutex Features" नामक एक ट्रिक का उपयोग करता है।
- उपमा: कल्पना कीजिए कि आप देखते हैं कि एक खिलाड़ी एक कप उठाता है। आप कप को नहीं देख पा रहे हैं, लेकिन आप जानते हैं कि एक खिलाड़ी एक समय में केवल एक ही कप पकड़ सकता है। यदि खिलाड़ी एक कप उठाता है, तो उसने वह कप रख दिया होगा जो वह पकड़े हुए था।
- SIFT+ इन "परस्पर अनन्य" (mutually exclusive) पैटर्न को खोजता है। यह महसूस करता है, "आह, जब भी यह क्रिया होती है, तो उस वस्तु के बारे में कुछ सच होना चाहिए जिसे पकड़ा जा रहा है।" यह खाली जगहों को भरने के लिए नए "प्रेडिकेट्स" (जैसे is_holding जैसे विचार) का आविष्कार करता है।
परिणाम: यह पूर्ण नियम पुस्तिका सीख सकता है भले ही एक्शन के नामों से लगभग सभी विवरण हटा दिए गए हों।

2. SYNTH+ (द "पार्शियल व्यू" डिटेक्टिव)

यह क्या करता है: यह तब सीखता है जब वह बोर्ड के कुछ हिस्सों को देख सकता है, लेकिन सभी को नहीं।
यह कैसे काम करता है: यह नए STRIPS+ भाषा की "पहेली सुलझाने" की क्षमता को SIFT+ के "आविष्कार" कौशल के साथ जोड़ता है।
- उपमा: कल्पना कीजिए कि आप एक डिलीवरी ड्राइवर को देख रहे हैं। आप ड्राइवर की लोकेशन (पूर्णतः दृश्य भाग) देख सकते हैं, लेकिन आप ट्रक के अंदर रखे पैकेज नहीं देख सकते। हालांकि, आप जानते हैं कि एक ड्राइवर एक बार में केवल एक ही पैकेज ले जा सकता है।
- SYNTH+ दृश्य स्थान का उपयोग अदृश्य पैकेज का पता लगाने के लिए करता है। यह पूछता है, "यदि ड्राइवर दरवाजे पर है, और उसने अभी कुछ 'ड्रॉप' किया है, तो उसके हाथ में क्या रहा होगा?"
ट्विस्ट: शोध पत्र "लोकल ऑब्जर्वेबिलिटी" (Local Observability) पेश करता है। इसका अर्थ है कि आपको पूरा बोर्ड देखने की आवश्यकता नहीं है। आपको केवल वर्तमान क्रिया के लिए प्रासंगिक हिस्से देखने की आवश्यकता है।
- उदाहरण: यदि एक रोबोट "बाएं" मुड़ता है, तो आपको केवल उसके बाईं ओर के सेल को देखने की आवश्यकता है। आपको मैप के दूसरी ओर के सेल को देखने की आवश्यकता नहीं है। यह सीखने की प्रक्रिया को बहुत अधिक वास्तविक बनाता है।

"डिपेंडेंसी ग्राफ" (द रोडमैप)

यह सुनिश्चित करने के लिए कि ये जासूस एक लूप में न फंस जाएं, लेखकों ने एक मानचित्र बनाया जिसे डिपेंडेंसी ग्राफ कहा जाता है।

इसे एक फ्लोचार्ट के रूप में सोचें। "नियम A" सीखने के लिए, आपको "तथ्य B" जानने की आवश्यकता हो सकती है। "तथ्य B" सीखने के लिए, आपको "नियम C" की आवश्यकता हो सकती है।
शोध पत्र यह सिद्ध करता है कि जब तक इस फ्लोचार्ट में कोई गोलाकार लूप (जहाँ A को B की आवश्यकता है, B को C की, और C को A की) नहीं है, एल्गोरिदम चरणों में नियम सीख सकता है, जो उन चीजों से शुरू होता है जिन्हें आप देख सकते हैं और पीछे की ओर काम करता है जिन्हें आप नहीं देख सकते।

परिणाम: क्या यह काम कर गया?

लेखकों ने इन जासूसों का परीक्षण Blocksworld (ब्लॉक स्टैकिंग), Delivery (पैकेज भेजना), और Sokoban (बॉक्स धकेलना) जैसे क्लासिक पज़ल्स पर किया।

परीक्षण: उन्होंने एल्गोरिदम को ऐसे ट्रेसेस (traces) दिए जहाँ 50% से 90% जानकारी छिपी हुई थी।
परिणाम:
- SIFT+ ने केवल एक्शन लिस्ट से नियमों को सफलतापूर्वक सीखा, और पैटर्न को नोटिस करके गायब विवरणों (जैसे "कौन सा ब्लॉक ऊपर है") को रिकवर कर लिया।
- SYNTH+ ने नियमों को तब भी सीखा जब "बोर्ड" का अधिकांश हिस्सा छिपा हुआ था, बशर्ते कि महत्वपूर्ण हिस्से (जैसे एजेंट का स्थान) दृश्यमान थे।
- लगभग हर परीक्षण में, एल्गोरिदम ने 100% सटीकता प्राप्त की, और छिपी हुई नियम पुस्तिकाओं का सही ढंग से पुनर्निर्माण किया।

सारांश

यह शोध पत्र इस बारे में है कि कंप्यूटर को तब नियम सिखाना जब उन्हें बहुत कम जानकारी दी जाती है।

पुराना तरीका: "यह रहा बोर्ड, यह रहा मूव। नियम सीखो।" (बहुत अधिक जानकारी की आवश्यकता)।
नया तरीका: "यह मूव्स की एक सूची है। आप खिलाड़ी का स्थान देख सकते हैं, लेकिन वस्तुओं को नहीं। नियमों को समझें।"
बड़ी उपलब्धि: एक स्मार्ट भाषा (STRIPS+) और "क्या सच होना ही चाहिए" (Mutex Features) के आधार पर गायब तथ्यों को "आविष्कृत" करने के चतुर तरीके का उपयोग करके, AI पूरी लॉजिक को सीख सकता है, बिना दुनिया का पूर्ण दृश्य प्राप्त किए।

शोध पत्र का दावा है कि यह AI को प्राकृतिक, अपूर्ण अवलोकनों से सीखने में सक्षम बनाने की दिशा में एक बड़ा कदम है, जो मनुष्यों के सीखने के तरीके के समान है—जो एक पूर्ण, डेटा-समृद्ध मैनुअल के बजाय दूसरों को देखकर सीखते हैं।

तकनीकी सारांश: न्यूनतम सूचना वाले ट्रेसेस से लिफ्टेड एक्शन मॉडल्स सीखना

समस्या विवरण (Problem Statement)

हाल के कार्यों ने प्रदर्शित किया है कि केवल एक्शन ट्रेसेस (action traces) से लिफ्टेड STRIPS मॉडल्स को कुशलतापूर्वक सीखा जा सकता है (SIFT एल्गोरिदम), और STRIPS+ मॉडल्स (जो निहित एक्शन आर्गुमेंट्स की अनुमति देते हैं) को पूर्णतः अवलोकन योग्य (fully observable) स्टेट-एक्शन ट्रेसेस से सीखा जा सकता है (SYNTH एल्गोरिदम)। हालाँकि, ये दृष्टिकोण व्यावहारिक सीमाओं का सामना करते हैं:

SIFT को पूर्ण STRIPS एक्शन ट्रेसेस की आवश्यकता होती है जहाँ आर्गुमेंट्स स्पष्ट होते हैं, जिसमें अक्सर वे अनावश्यक पैरामीटर्स भी शामिल होते हैं जो एक्शन चयन के लिए आवश्यक नहीं होते (उदाहरण के लिए, स्लाइडिंग-टाइल पज़ल्स में, टाइल की वर्तमान स्थिति को स्पष्ट रूप से पास करना आवश्यक है भले ही एक्शन "मूव लेफ्ट" हो)।
SYNTH यह मान लेता है कि सभी स्टेट प्रेडिकेट्स पूरी तरह से अवलोकन योग्य (observable) हैं, जो आंशिक रूप से अवलोकन योग्य (partially observable) वातावरणों में काम करने वाले एजेंटों के लिए अवास्तविक है।

यह शोध पत्र STRIPS+ एक्शन डोमेन को उन ट्रेसेस से सीखने की समस्या को संबोधित करता है जहाँ एक्शन आर्गुमेंट्स और स्टेट इंफॉर्मेशन दोनों ही आंशिक रूप से अवलोकन योग्य होते हैं। विशेष रूप से, लेखक इस बात की जांच करते हैं कि किन परिस्थितियों में एक समान डोमेन को सीखा जा सकता है जब ट्रेसेस में न्यूनतम जानकारी होती है: कुछ एक्शन आर्गुमेंट्स को छोड़ दिया जाता है, और स्टेट प्रेडिकेट्स या तो पूरी तरह से अनऑब्जर्वेबल (unobservable) होते हैं, पूरी तरह से ऑब्जर्वेबल होते हैं, या केवल स्थानीय रूप से (locally) अवलोकन योग्य होते हैं (केवल वर्तमान स्टेट से संबंधित ऑब्जेक्ट्स के लिए अवलोकन योग्य)।

कार्यप्रणाली (Methodology)

प्रस्तावित समाधान, SYNTH+, एक एकीकृत एल्गोरिदम है जो SIFT और SYNTH की क्षमताओं का विस्तार और संयोजन करता है। यह विस्तारित ट्रेसेस (एक्शन आर्गुमेंट्स और आंशिक स्टेट ऑब्जर्वेशन के अनुक्रमों) पर कार्य करता है और दो मुख्य तंत्रों पर निर्भर करता है:

1. म्यूटेक्स फीचर्स (SIFT का विस्तार)

स्टेट ऑब्जर्वैबिलिटी के बिना गायब एक्शन आर्गुमेंट्स को संभालने के लिए, लेखक म्यूटेक्स फीचर्स (mutex features) पेश करते हैं।

अवधारणा: एक म्यूटेक्स फीचर $f = \langle k, A, D \rangle$ एक अरिटी (arity) $k$ वाले प्रेडिकेट का प्रतिनिधित्व करता है जहाँ $k$ -वाँ आर्गुमेंट पहले $k-1$ आर्गुमेंट्स द्वारा निहित रूप से निर्धारित होता है।
तंत्र: मानक फीचर्स के विपरीत, जहाँ 'ऐड' (add) और 'डिलीट' (delete) पैटर्न की अरिटी समान होती है, म्यूटिक्स फीचर्स यह अनुमति देते हैं कि 'डिलीट' पैटर्न की अरिटी $k-1$ हो सकती है। यह उस बाधा को कैप्चर करता है जहाँ एक एक्शन (जैसे, drop()) एक प्रेडिकेट (जैसे, holding(o)) को डिलीट करता है, जो वर्तमान में पकड़े गए ऑब्जेक्ट के आधार पर होता है, बिना उस ऑब्जेक्ट का नाम एक्शन ट्रेस में स्पष्ट रूप से दिए।
संगति (Consistency): एक म्यूटेक्स फीचर तब सुसंगत होता है जब, पूरे ट्रेस ग्राफ में, प्रत्येक ग्राउंड एटम $f(o)$ को एक एकल सत्य मान (truth value) प्राप्त होता है, और एक ही स्टेट में किन्हीं दो सत्य एटम्स $f(o)$ और $f(o')$ के लिए, यदि अंतिम आर्गुमेंट्स भिन्न हैं ( $o_k \neq o'_k$ ), तो कम से कम एक पूर्ववर्ती आर्गुमेंट भी भिन्न होना चाहिए ( $o_i \neq o'_i$ किसी $i < k$ के लिए)।

2. क्वेरी सिंथेसिस और इंटीग्रेशन (SYNTH का विस्तार)

SYNTH+ प्रेडिकेट्स के "आविष्कार" (SIFT के माध्यम से) को निहित आर्गुमेंट्स के निष्कर्ष (SYNTH के माध्यम से) के साथ एक पुनरावृत्ति लूप (iterative loop) में एकीकृत करता है:

इनपुट: विस्तारित ट्रेसेस का एक लेबल वाला ग्राफ और पूर्णतः अवलोकन योग्य प्रेडिकेट्स $P_\omega$ का एक सेट।
पुनरावृत्ति (Iteration):
- SIFT+ चरण: स्पष्ट और वर्तमान में ज्ञात निहित आर्गुमेंट्स पर एक्शन पैटर्न का उपयोग करके नए म्यूटेक्स फीचर्स और प्लेन फीचर्स का आविष्कार करता है। ये फीचर्स नए प्रेडिकेट्स और उनके प्रभावों का प्रतिनिधित्व करते हैं।
- SYNTH चरण: नव-आविष्कृत प्रेडिकेट्स (और किसी भी अवलोकन योग्य प्रेडिकेट) का उपयोग क्वेरीज़ (सब-क्वेरीज़ $Q_i$ ) को परिभाषित करने के लिए करता है जो निहित वेरिएबल्स ( $z_i$ ) को स्टेट में अद्वितीय ऑब्जेक्ट्स से बांधते हैं।
- अपडेट: ग्राफ को नए निहित आर्गुमेंट्स और उनकी परिभाषित क्वेरीज़ के साथ अपडेट किया जाता है।
समाप्ति (Termination): प्रक्रिया तब तक जारी रहती है जब तक कि एक फिक्स्ड पॉइंट (fixed point) प्राप्त नहीं हो जाता या अधिकतम डेप्थ बाउंड ( $d_{max}$ ) पार नहीं हो जाता।

3. लोकल ऑब्जर्वैबिलिटी (Local Observability)

फ्रेमवर्क को LOCAL SYNTH+ में विस्तारित किया गया है, जो लोकल ऑब्जर्वैबिलिटी को संभालता है। इस सेटिंग में, एक प्रेडिकेट केवल "स्थानीय" ऑब्जेक्ट्स (वर्तमान एक्शन में आर्गुमेंट्स के रूप में दिखने वाले ऑब्जेक्ट्स) के लिए अवलोकन योग्य होता है। एल्गोरिदम कंसिस्टेंसी टेस्टिंग प्रक्रिया (TEST*) को संशोधित करता है ताकि यह माना जा सके कि प्रीकंडिशन्स (preconditions) का परीक्षण करते समय नॉन-लोकल एटम्स 'फॉल्स' (false) हैं, जिससे यह सुनिश्चित हो सके कि अनऑब्जर्व्ड स्टेट के हिस्से निहित आर्गुमेंट्स के लर्निंग को अमान्य न करें।

प्रमुख योगदान (Key Contributions)

SYNTH+ एल्गोरिदम: आंशिक स्टेट ऑब्जर्वैबिलिटी वाले ट्रेसेस से STRIPS+ डोमेन सीखने के लिए एक सामान्य एल्गोरिदम। यह SIFT के प्रेडिकेट इन्वेंशन को SYNTH के इंप्लिसिट आर्गुमेंट रेजोल्यूशन के साथ एकीकृत करता है।
म्यूटेक्स फीचर्स: एक नवीन औपचारिकता (formalism) जो ऐसे प्रेडिकेट्स सीखने की अनुमति देती है जहाँ अंतिम आर्गुमेंट अन्यों पर फंक्शनली डिपेंडेंट होता है, जिससे एक्शन ट्रेसेस से छूटे हुए एक्शन आर्गुमेंट्स की रिकवरी संभव होती है।
पूर्णता परिणाम (Completeness Results): उन स्थितियों के लिए सैद्धांतिक शर्तें स्थापित की गई हैं जिनमें एल्गोरिदम पूर्ण (complete) होते हैं:
- SIFT+ (कोई स्टेट ऑब्जर्वैबिलिटी नहीं): इसके लिए आवश्यक है कि हिडन STRIPS+ डोमेन वेल-फॉर्मड, स्ट्रॉन्गली कनेक्टेड, और अपने डिपेंडेंसी ग्राफ (जहाँ नोड्स प्रेडिकेट्स और इंप्लिसिट वेरिएबल्स हैं) में एसाइक्लिक (acyclic) हो।
- SYNTH+ (आंशिक स्टेट ऑब्जर्वैबिलिटी): इसके लिए आवश्यक है कि नॉन-ऑब्जर्वेबल प्रेडिकेट्स तक सीमित डिपेंडेंसी ग्राफ एसाइक्लिक हो।
- LOCAL SYNTH+: मुख्य प्रेडिकेट्स (वे प्रेडिकेट्स जो प्रीकंडिशन्स में शामिल हैं और केवल निहित आर्गुमेंट्स का उपयोग करते हैं) के लिए लोकल ऑब्जर्वैबिलिटी के तहत पूर्ण सिद्ध है, यदि वे पूरी तरह से अवलोकन योग्य हैं, और अन्य प्रेडिकेट्स स्थानीय रूप से अवलोकन योग्य हैं।
सामान्यीकरण (Generalization): यह कार्य प्रदर्शित करता है कि SIFT और SYNTH, SYNTH+ के विशेष मामले हैं (जहाँ $P_\omega = \emptyset$ और $P_\omega = P$ है)।

प्रायोगिक परिणाम (Experimental Results)

लेखकों ने हिडन STRIPS+ मॉडल्स से उत्पन्न विस्तारित ट्रेसेस का उपयोग करके मानक प्लानिंग डोमेन (जैसे Blocks, Delivery, Grid, Sokoban, Logistics) के एक समूह पर SIFT+ और SYNTH+ का मूल्यांकन किया।

SIFT+ प्रदर्शन: सभी परीक्षण किए गए डोमेन में केवल एक्शन ट्रेसेस से सही डोमेन को सफलतापूर्वक सीखा (100% वेरिफिकेशन रेट), और छोड़े गए एक्शन आर्गुमेंट्स के औसत 55% को रिकवर किया।
SYNTH+ प्रदर्शन: काफी कम अवलोकन योग्य प्रेडिकेट्स का उपयोग करके सही डोमेन सीखे:
- Delivery में, SYNTH+ ने केवल एजेंट की स्थिति (at(x)) और स्टैटिक एडजेसेंसी को देखते हुए डोमेन सीखा, जबकि SYNTH को सभी फ्लुएंट प्रेडिकेट्स की आवश्यकता थी।
- Sokoban और Logistics* में, SYNTH+ ने केवल स्टैटिक प्रेडिकेट्स को देखते हुए डोमेन सीखा, एक ऐसी स्थिति जहाँ न तो SYNTH और न ही SIFT+ सफल हो सकते थे।
दक्षता (Efficiency): एल्गोरिदम मानक हार्डवेयर पर कुशलतापूर्वक चले (सेकंड से मिनटों में), और हजारों ट्रेस स्टेप्स वाले डोमेन तक स्केल कर सके।

महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि SYNTH+ मॉडल-आधारित सुदृढीकरण शिक्षण (reinforcement learning) के लिए एक व्यावहारिक, लिफ्टेड विकल्प प्रदान करता है, जो "नेचुरल" ट्रेसेस से डायनेमिक मॉडल्स सीखने में सक्षम बनाता है। इन ट्रेसेस के लिए न्यूनतम जानकारी की आवश्यकता होती है:

उन्हें औपचारिक STRIPS एनकोडिंग के लिए आवश्यक प्रत्येक आर्गुमेंट को सूचीबद्ध करने की आवश्यकता नहीं है (जैसे, अनस्टैक किए जा रहे ब्लॉक की वर्तमान स्थिति)।
उन्हें पूर्ण स्टेट ऑब्जर्वैबिलिटी की आवश्यकता नहीं है; विशिष्ट प्रेडिकेट्स की आंशिक या स्थानीय ऑब्जर्वैबिलिटी पर्याप्त है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण सैद्धांतिक मॉडल लर्निंग (जो अक्सर पूर्ण ऑब्जर्वैबिलिटी मानता है) और व्यावहारिक अनुप्रयोग (जहाँ एजेंटों की धारणा सीमित होती है) के बीच के अंतर को पाटता है। उन सटीक शर्तों (डिपेंडेंसी ग्राफ की एसाइक्लिकिटी) को परिभाषित करके जिनके तहत सीखना संभव है, यह कार्य आंशिक रूप से अवलोकन योग्य सेटिंग्स में लिफ्टेड एक्शन मॉडल लर्निंग के लिए एक कठोर दायरा स्थापित करता है। परिणाम बताते हैं कि जटिल डोमेन को उन ट्रेसेस से पुनर्गठित किया जा सकता है जो केवल एक्शन चुनने के लिए आवश्यक जानकारी प्रदान करते हैं, न कि पूर्ण स्टेट विवरण।