🤖 AI

Structure-Induced Information for Rerooting Levin Tree Search

यह शोध पत्र लेविन ट्री सर्च (Levin Tree Search) के लिए एक स्केलेबल रिरूटिंग फ्रेमवर्क पेश करता है जो समस्याओं को स्पष्ट उप-लक्ष्यों (subgoals) में विभाजित करने के बजाय सीखे गए रिरूटर्स का उपयोग करके उन्हें अंतर्निहित रूप से सॉफ्ट उप-कार्यों (soft subtasks) में विघटित करता है, जिससे स्पष्ट उप-लक्ष्य निर्माण के कम्प्यूटेशनल ओवरहेड और स्केलेबिलिटी सीमाओं को पार करते हुए अत्याधुनिक ऑनलाइन प्रशिक्षण दक्षता प्राप्त की जा सकती है।

मूल लेखक: Jake Tuero, Michael Buro, Laurent Orseau, Levi H. S. Lelis

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jake Tuero, Michael Buro, Laurent Orseau, Levi H. S. Lelis

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 विशाल, जटिल भूलभुलैया (maze) को हल करने की कोशिश कर रहे हैं। आपके पास एक मानचित्र (पॉलिसी) है जो आपको बताता है कि किस दिशा में मुड़ना है, लेकिन भूलभुलैया इतनी बड़ी है कि केवल मानचित्र का आँख मूंदकर पालन करने में बहुत लंबा समय लग जाता है।

कंप्यूटर विज्ञान की दुनिया में, इसे "पॉलिसी ट्री सर्च" (policy tree search) कहा जाता है। कंप्यूटर संभावित चालों का एक पेड़ (tree) बनाता है ताकि बाहर निकलने का रास्ता खोजा जा सके। समस्या यह है कि जैसे-जैसे भूलभुलैया बड़ी होती जाती है, कंप्यूटर हर एक रास्ते की जाँच करने की कोशिश में अभिभूत (overwhelmed) हो जाता है।

पुराना तरीका: "उप-लक्ष्य" (Sub-goals) बनाना

पहले, इन विशाल भूलभुलभैया को हल करने के लिए, शोधकर्ताओं ने समस्या को विभाजित करने की कोशिश की। वे कहते थे, "ठीक है, पहले रसोई तक पहुँचो, फिर गैरेज तक पहुँचो, फिर निकास (exit) तक पहुँचो।" ये मध्यवर्ती लक्ष्य उप-लक्ष्य (sub-goals) कहलाते हैं।

इसे एक इंसान द्वारा आपको चेकपॉइंट्स की सूची देने जैसा समझें। हालांकि यह मददगार है, लेकिन यह बहुत महंगा है। कंप्यूटर को रुकना पड़ता है, गहराई से सोचना पड़ता है और हर एक चेकपॉइंट के लिए एक नया नक्शा स्पष्ट रूप से तैयार करना पड़ता है। यदि भूलभुलैया अस्त-व्यस्त या बदलती रहती है, तो कंप्यूटर अपनी ऊर्जा केवल यह तय करने में बर्बाद कर देता है कि अगला चेकपॉइंट क्या होना चाहिए। यह एक घर के माध्यम से चलने से पहले हर एक कमरे का ब्लूप्रिंट (नक्शा) डिजाइन करने के लिए एक अलग आर्किटेक्ट को काम पर रखने जैसा है।

नया तरीका: "रीरूटिंग" (Rerooting) का कमाल

यह पेपर एक स्मार्ट और हल्का तरीका पेश करता है जिससे इस भूलभुलैया को संभाला जा सकता है, जिसे $\sqrt{LTS}$ (उच्चारण: "रूट-एलटीएस") नामक एल्गोरिदम कहा जाता है।

उप-लक्ष्यों के लिए नए ब्लूप्रिंट बनाने के बजाय, यह विधि एक "रीरूटर" (Rerooter) का उपयोग करती है।

कल्पना कीजिए कि आप पहाड़ की चढ़ाई कर रहे हैं।

पुराना तरीका: हर बार जब आप एक कदम उठाते हैं, तो आप रुक जाते हैं, एक दिशा-सूचक यंत्र (compass) निकालते हैं और पूछते हैं, "क्या यह शिखर तक जाने का सबसे अच्छा रास्ता है?" आप गणना करने में बहुत समय बिताते हैं।
नया तरीका (रीरूटिंग): आप चलते रहते हैं, लेकिन बीच-बीच में आप ऐसा नाटक करते हैं जैसे आप अपनी वर्तमान जगह से फिर से चढ़ाई शुरू कर रहे हों। आप पूछते हैं, "यदि मैं यहाँ से शुरू करता, तो शिखर तक जाने का सबसे अच्छा तरीका क्या होता?"

"रीरूटर" वह स्मार्ट मैनेजर है जो यह तय करता है कि कब एक नई जगह से खोज (search) फिर से शुरू करनी है और उस नई खोज पर कितना समय खर्च करना है। इसे नया नक्शा बनाने की आवश्यकता नहीं है; यह बस अपना ध्यान (focus) बदल देता है।

"रीरूटर" के तीन प्रकार

लेखकों ने अलग-अलग तरह के संकेतों का उपयोग करके यह तय करने के लिए तीन अलग-अलग "मैनेजर" डिज़ाइन किए हैं कि कब रीरूट करना है:

क्लस्टर मैनेजर (वैश्विक संरचना - Global Structure):
कल्पना कीजिए कि भूलभुलैया अलग-अलग रंग के कमरों से बनी है। कुछ कमरे एक-दूसरे से जुड़े हुए हैं, जबकि अन्य अलग-थलग हैं। यह मैनेजर बड़े परिदृश्य को देखता है। यह कहता है, "हम एक 'नीले कमरे' के क्लस्टर में हैं। जब तक हम इस क्लस्टर से बाहर नहीं निकल जाते, तब तक अपनी ऊर्जा यहीं केंद्रित करें।" यह बिना यह जाने कि निकास कहाँ है, समान क्षेत्रों को एक साथ समूहबद्ध करता है। यह कुछ ऐसा है जैसे यह समझना कि, "मैं जंगल में हूँ; मुझे सड़क खोजने से पहले जंगल के किनारे को खोजना होगा।"
डिस्टेंस मैनेजर (स्थानीय अनुमान - Local Heuristic):
यह मैनेजर एक सरल अनुमान देखता है: "मुझे क्या लगता है कि मैं निकास के कितने करीब हूँ?" यदि कोई रास्ता लक्ष्य के करीब पहुँचता हुआ दिखता है, तो यह मैनेजर कहता है, "इस रास्ते पर पूरी ताकत लगा दो!" यह एक ऐसे हाइकर की तरह है जो देखता है कि रास्ता ढलान वाला होता जा रहा है और मान लेता है कि शिखर पास है, इसलिए वह अपनी गति बढ़ा देता है। यह तेज़ और हल्का है, लेकिन कभी-कभी एक ऐसे डेड एंड (बंद रास्ते) द्वारा धोखा खा सकता है जो बहुत ही आशाजनक दिखता हो।
हाइब्रिड मैनेजर (दोनों का सर्वश्रेष्ठ):
यही इस पेपर का मुख्य खिलाड़ी है। यह ऊपर दिए गए दोनों को मिलाता है। यह सुनिश्चित करने के लिए क्लस्टर मैनेजर का उपयोग करता है कि आप भूलभुलैया के किसी अजीब कोने में न फंस जाएं, और लक्ष्य की ओर बढ़ने के लिए डिस्टेंस मैनेजर का उपयोग करता है जब आपको कोई स्पष्ट रास्ता दिखाई देता है। यह एक ऐसे गाइड की तरह है जो जंगल के सामान्य लेआउट को भी जानता है और रास्ते के निशानों को भी पहचान सकता है।

यह क्यों महत्वपूर्ण है

पेपर ने इन तरीकों का परीक्षण बहुत कठिन पहेलियों (जैसे सोकोबान, जहाँ बक्सों को धकेलना होता है, और जटिल वीडियो गेम स्तरों) पर किया।

गति (Speed): नए तरीकों ने पुराने "उप-लक्ष्य" तरीकों की तुलना में प्रशिक्षण के दौरान इन पहेलियों को बहुत तेज़ी से हल करना सीखा।
स्केलेबिलिटी (Scalability): जब पहेलियाँ अविश्वसनीय रूप से जटिल हो गईं (अधिक गंदगी, अधिक बाधाएं, अधिक नियम जोड़कर), तो पुराने तरीके विफल हो गए या अटक गए। वे अब उप-लक्ष्यों को समझने में सक्षम नहीं थे। नए "रीरूटिंग" तरीकों ने काम करना जारी रखा क्योंकि उन्हें नए ब्लूप्रिंट बनाने के लिए रुकने की आवश्यकता नहीं थी; वे बस चलते-फिरते अपना ध्यान बदल लेते थे।
दक्षता (Efficiency): हाइब्रिड मैनेजर ने सबसे कम समय में सबसे अधिक समस्याओं को हल किया।

निष्कर्ष

पेपर का दावा है कि कठिन समस्याओं को हल करने के लिए आपको स्पष्ट रूप से जटिल "उप-लक्ष्य" बनाने की आवश्यकता नहीं है। इसके बजाय, आप एक सरल "रीरूटिंग" तंत्र का उपयोग कर सकते है जो खोज के शुरुआती बिंदु को बदलकर अप्रत्यक्ष रूप से समस्या को विभाजित करता है। एक "बड़े परिदृश्य" वाले दृष्टिकोण (क्लस्टर्स) को "करीबी" वाले दृष्टिकोण (दूरी के अनुमान) के साथ मिलाकर, कंप्यूटर जटिल नियोजन समस्याओं को बहुत अधिक कुशलता से हल कर सकते हैं, जिससे वे उन वातावरणों में भी काम कर पाते हैं जहाँ पिछले तरीके विफल हो गए थे।

तकनीकी सारांश: रीरूटिंग लेविन ट्री सर्च के लिए संरचना-प्रेरित सूचना (Structure-Induced Information for Rerooting Levin Tree Search)

समस्या की परिभाषा

सिंगल-एजेंट डिटरमिनिस्टिक वातावरण में जटिल डिस्क्रीट प्लानिंग समस्याओं को हल करना बड़े पैमाने पर अभी भी कठिन बना हुआ है। हालांकि पॉलिसी-गाइडेड ट्री सर्च विधियां जैसे लेविन ट्री सर्च (LTS) और पॉलिसी गाइडेड ह्यूरिस्टिक सर्च (PHS*) खोज प्रयास (search effort) पर सैद्धांतिक गारंटी प्रदान करती हैं, लेकिन वे अतिरिक्त संरचनात्मक मार्गदर्शन के बिना जटिल डोमेन में संघर्ष करती हैं।

इसे संबोधित करने के लिए एक सामान्य रणनीति समस्याओं को सबगोल्स (subgoals) में विभाजित करना है। हालांकि, मौजूदा सबगोल-आधारित विधियां (जैसे HIPS-ε, SGPS) स्पष्ट सबगोल जनरेशन और पुनर्निर्माण (reconstruction) पर निर्भर करती हैं। यह मॉडलिंग की जटिलता और कम्प्यूटेशनल ओवरहेड को बढ़ाता है, क्योंकि खोज का प्रदर्शन सबगोल जनरेशन की गुणवत्ता से गहराई से जुड़ा होता है। जैसे-जैसे डोमेन की जटिलता बढ़ती है, इन स्पष्ट सबगोल्स के पुनर्निर्माण और उन पर तर्क करने की लागत एक बाधा बन जाती है, जो स्केलेबिलिटी को बाधित करती है।

यह शोध कार्य इस चुनौती का समाधान करता है कि कैसे स्पष्ट सबगोल जनरेशन की कम्प्यूटेशनल लागत के बिना, खोज को कुशलतापूर्वक निर्देशित करने के लिए स्टेट-स्पेस स्ट्रक्चर का उपयोग किया जाए। विशेष रूप से, यह $\sqrt{\text{LTS}}$ एल्गोरिदम के लिए प्रभावी "रीरूटिंग" वेट्स (weights) प्राप्त करने की जांच करता है—जो एक विधि है जो पेड़ के प्रत्येक नोड में अप्रत्यक्ष रूप से एक LTS खोज शुरू करती है—और इसके लिए खोज प्रक्रिया के दौरान उपलब्ध संरचनात्मक संकेतों (structural signals) का उपयोग करती है।

कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जो $\sqrt{\text{LTS}}$ में खोज प्रयास को आवंटित करने के लिए स्ट्रक्चर-इंड्यूस्ड रीरूटर्स (Structure-Induced Rerooters) का उपयोग करता है। स्पष्ट सबगोल्स उत्पन्न करने के बजाय, यह ढांचा खोज वृक्ष (search tree) की संरचना और सीखे गए ह्यूरिस्टिक्स से रीरूटिंग वेट्स प्राप्त करता है। शोध पत्र में तीन विशिष्ट इंस्टांशिएशन पेश किए गए हैं:

1. ग्लोबल स्ट्रक्चर-इंड्यूस्ड रीरूटिंग ( $\sqrt{\text{LTS-L}}$ )

यह दृष्टिकोण लीडेन क्लस्टरिंग (Leiden clustering) का उपयोग करके स्टेट स्पेस में मोटे, वैश्विक (global) ढांचे को कैप्चर करता है।

तंत्र (Mechanism): जैसे-जैसे सर्च ट्री बनाया जाता है, स्टेट स्पेस का एक इंड्यूस्ड सबग्राफ निर्मित किया जाता है। कनेक्टिविटी के आधार पर अवस्थाओं (states) को क्लस्टर करने के लिए लीडेन एल्गोरिदम को समय-समय पर (एक ज्यामितीय अनुसूची पर) बुलाया जाता है।
वेट असाइनमेंट: नोड्स को उनके क्लस्टर के अनुरूप एक "रंग" (color) दिया जाता है। एक नोड के लिए रीरूटिंग वेट उसके क्लस्टर के आकार के व्युत्क्रमानुपाती (inversely proportional) होता है (जिसे उस रंग के नोड्स की संख्या द्वारा अनुमानित किया जाता है)।
तर्क (Rationale): यह खोज को कम-अन्वेषित क्षेत्रों (छोटे क्लस्टर) पर प्रयास केंद्रित करने के लिए प्रोत्साहित करता है और अधिक-अन्वेषित क्षेत्रों (बड़े क्लस्टर) से प्रयास को हटा देता है, जिससे क्लस्टर्स को बिना किसी स्पष्ट पुनर्निर्माण के 'सॉफ्ट सबटास्क' के रूप में प्रभावी ढंग से माना जाता है।

2. लोकल स्ट्रक्चर-इंड्यूस्ड रीरूटिंग ( $\sqrt{\text{LTS-H}}$ )

यह दृष्टिकोण एक सीखे गए ह्यूरिस्टिक फंक्शन द्वारा प्रदान किए गए स्थानीय 'कॉस्ट-टू-गो' (cost-to-go) अनुमानों का लाभ उठाता है।

तंत्र (Mechanism): रीरूटिंग वेट को नॉर्मलाइज्ड ह्यूरिस्टिक वैल्यू के एक एक्सपोनेंशियल फंक्शन के रूप में परिभाषित किया जाता है: $w_t = \exp(-\alpha \frac{h(n_t)}{h(n_1)})$ ।
तर्क (Rationale): यह एक "सॉफ्ट" प्राथमिकता बनाता है जहाँ वे नोड्स जिन्हें लक्ष्य के करीब (कम ह्यूरिस्टिक वैल्यू) माना जाता है, उन्हें उच्च वेट प्राप्त होता है। रूट ह्यूरिस्टिक द्वारा नॉर्मलाइजेशन यह सुनिश्चित करता है कि यह ह्यूरिस्टिक के पूर्ण स्केल के प्रति अपरिवर्तनीय रहे, जबकि एक्सपोनेंशियल मैप यह सुनिश्चित करता है कि वेट स्मूथ और पूरी तरह से सकारात्मक हों, जिससे त्रुटिपूर्ण ह्यूरिस्टिक्स भी काम कर सकें।

3. हाइब्रिड स्ट्रक्चर-इंड्यूस्ड रीरूटिंग ( $\sqrt{\text{LTS-LH}}$ )

यह विधि ग्लोबल और लोकल संकेतों को योगात्मक (additively) रूप से जोड़ती है।

तंत्र (Mechanism): अंतिम वेट क्लस्टरिंग-आधारित वेट और ह्यूरिस्टिक-आधारित वेट का एक लीनियर कॉम्बिनेशन है: $w_t = u_a w_{t, \text{cluster}} + u_b w_{t, \text{heuristic}}$ ।
तर्क (Rationale): ग्लोबल रीरूटर, क्लस्टरिंग के माध्यम से बॉटलनेक्स की पहचान करके, ह्यूरिस्टिक शोर या गलत अंशांकन (miscalibration) के खिलाफ स्थिरता प्रदान करता है, जबकि लोकल रीरूटर प्रगति के अनुमान के आधार पर उन क्षेत्रों के भीतर प्राथमिकताओं को परिष्कृत करता है। यह "कोर्स-टू-फाइन" (coarse-to-fine) दृष्टिकोण मजबूती और लक्ष्य-निर्देशित अनुकूलन क्षमता के बीच संतुलन बनाने का लक्ष्य रखता है।

सैद्धांतिक गारंटी (Theoretical Guarantees)

यह शोध पत्र $\sqrt{\text{LTS}}$ द्वारा आवश्यक नोड एक्सपेंशन की संख्या पर सैद्धांतिक सीमाओं का विस्तार करता है। यह योगात्मक रीरूटर्स के लिए एक नया गारंटी प्रदान करता है, यह दिखाते हुए कि खोज जटिलता कई रीरूटर्स के सहक्रियात्मक प्रभाव (synergistic effect) द्वारा सीमित होती है। विशेष रूप से, यदि घटकों के सापेक्ष वेट संतुलित हैं, तो सीमा व्यक्तिगत सीमाओं के न्यूनतम (minimum) पर निर्भर करती है, जिससे खोज किसी भी दिए गए क्षेत्र में सबसे सूचनात्मक संकेत पर वापस जा सकती है।

मुख्य योगदान (Key Contributions)

स्वचालित रीरूटर लर्निंग: शोध पत्र खोज वृक्ष की संरचना (क्लस्टरिंग के माध्यम से) और सीखे गए ह्यूरिस्टिक्स से सीधे रीरूटिंग वेट प्राप्त करने के लिए स्वचालित विधियाँ प्रस्तुत करता है, जिससे अलग, कम्प्यूटेशनल रूप से महंगे सबगोल जनरेशन नेटवर्क की आवश्यकता समाप्त हो जाती है।
तीन रीरूटर डिज़ाइन: यह तीन अलग-अलग डिज़ाइन पेश करता है और उनका मूल्यांकन करता है: एक क्लस्टरिंग-आधारित ग्लोबल रीरूटर, एक ह्यूरिस्टिक-आधारित लोकल रीरूटर, और एक हाइब्रिड एडिटिव रीरूटर।
सैद्धांतिक विस्तार: यह एडिटिव रीरूटर्स का उपयोग करके $\sqrt{\text{LTS}}$ के लिए एक नया सैद्धांतिक बाउंड प्रदान करता है, यह प्रदर्शित करता है कि विभिन्न संरचनात्मक संकेतों को खोज दक्षता में सुधार के लिए कैसे जोड़ा जा सकता है।
स्केलेबिलिटी प्रदर्शन: यह कार्य प्रदर्शित करता है कि रीरूटिंग उन जटिल वातावरणों में स्केल कर सकती है जहाँ स्पष्ट सबगोल-आधारित विधियाँ विफल हो जाती हैं, जिससे स्टेट-ऑफ-द-आर्ट ऑनलाइन ट्रेनिंग दक्षता प्राप्त होती है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने चार डोमेन पर अपने तरीकों का मूल्यांकन किया: BoulderDash, CraftWorld, Sokoban, और Traveling Salesman Problem (TSP) का एक ग्रिडवर्ल्ड संस्करण। उन्होंने अपने तरीकों की तुलना LTS, PHS*, सबगोल-आधारित वेरिएंट (LTS( $\pi_{SG}$ ), PHS*( $\pi_{SG}$ )), और Weighted A* से की।

ट्रेनिंग एफिशिएंसी: सभी डोमेन में, हाइब्रिड रीरूटर ( $\sqrt{\text{LTS-LH}}$ ) और ह्यूरिस्टिक-आधारित रीरूटर ( $\sqrt{\text{LTS-H}}$ ) ने नॉन-रीरूटिंग बेसलाइन्स और पूर्व सबगोल-आधारित विधियों की तुलना में काफी बेहतर ऑनलाइन ट्रेनिंग सैंपल एफिशिएंसी में सुधार किया। जटिल सेटिंग्स (जैसे उच्च गंदगी घनत्व वाला BoulderDash) में, सबगोल-आधारित विधियाँ (PHS*( $\pi_{SG}$ )) स्केल करने में विफल रहीं या टाइम आउट हो गईं, जबकि रीरूटिंग विधियों ने सफलतापूर्वक ट्रेनिंग पूरी की।
टेस्ट परफॉरमेंस: तेज़ ट्रेनिंग के बावजूद, रीरूटिंग विधियों ने पूर्व दृष्टिकोणों (जैसे समस्याओं को हल करने की संख्या, एक्सपेंशन-टू-सॉल्यूशन, और सॉल्यूशन लेंथ द्वारा मापा गया) के बराबर या बेहतर टेस्ट प्रदर्शन हासिल किया।
मजबूती (Robustness): हाइब्रिड दृष्टिकोण सबसे मजबूत साबित हुआ, विशेष रूप से डेडलॉक संरचनाओं वाले डोमेन (Sokkan, CraftWorld) में जहाँ शुद्ध ह्यूरिस्टिक मार्गदर्शन अस्थिर हो सकता था। ग्लोबल क्लस्टरिंग घटक ने उन क्षेत्रों में खोज को स्थिर करने में मदद की जहाँ ह्यूरिस्टिक्स अविश्वसनीय थे।
जटिलता स्केलिंग: BoulderDash कॉम्प्लेक्सिटी स्केलिंग प्रयोग में, हाइब्रिड और ह्यूरिस्टिक रीरूटर्स ने स्टेट स्पेस बढ़ने पर भी प्रदर्शन बनाए रखा, जबकि सबगोल-आधारित विधियाँ विजुअली घने लेकिन कार्य-अप्रासंगिक वातावरणों में प्रासंगिक सबगोल्स के पुनर्निर्माण की कठिनाई के कारण काफी खराब प्रदर्शन करती रहीं।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि रीरूटिंग पॉलिसी ट्री सर्च में संरचना का लाभ उठाने के लिए एक स्केलेबल और लचीला एब्स्ट्रैक्शन है। इसका प्राथमिक महत्व यह प्रदर्शित करने में निहित है कि:

निहित सबटास्क (Implicit Subtasks): आप स्पष्ट सबगोल जनरेशन और पुनर्निर्माण के कम्प्यूटेशनल ओवरहेड के बिना सबटास्क डिकंपोजिशन (बेहतर अन्वेषण और खोज मार्गदर्शन) के लाभ प्राप्त कर सकते हैं।
लाइटवेट सिग्नल: यहाँ तक कि हल्के संरचनात्मक संकेत (जैसे स्थानीय ह्यूरिस्टिक वैल्यू) भी प्रभावी रीरूटिंग को निर्देशित करने के लिए पर्याप्त होते हैं, जो अक्सर अकेले अधिक जटिल ग्लोबल क्लस्टरिंग दृष्टिकोणों से बेहतर प्रदर्शन करते हैं।
सिनर्जी (Synergy): पूरक संरचनात्मक संकेतों (ग्लोबल कनेक्टिविटी और लोकल कॉस्ट-टू-गो) को संयोजित करना एक मजबूत तंत्र बनाता है जो डोमेन की बदलती जटिलताओं और ह्यूरिस्टिक की गुणवत्ता के अनुकूल होता है।

लेखक निष्कर्ष निकालते हैं कि क्लासिकल ह्यूरिस्टिक्स के सरल स्ट्रक्चरल ट्रांसफॉर्मेशन के साथ $\sqrt{\text{LTS}}$ स्केलेबल पॉलिसी ट्री सर्च के लिए एक अत्यधिक कुशल मार्ग प्रदान करता है, जो जटिल डोमेन में स्पष्ट सबगोल मॉडलिंग से जुड़ी बाधाओं से बचता है।