在每一時刻挑選長時刻最優的交互動作，
該結構讓智能體也能學會“看第二眼” ，以在三維環境下的圖畫分類使命上對REIN-EAD的通用性進行評價（表3）。并帶來巨大的顯存開支 。進一步證明了REIN-EAD在雜亂使命和實際場景的有用性（表4 ，經過REIN-EAD結構改善YOLO-v5模型 ，運用Pytorch3D對OmniObject3D三維掃描物體數據集進行可微分烘托，
△表1 ：人臉辨認使命中逃逸和扮演兩種進犯方針下的成果
人臉辨認使命中 ，但在隨后的過程REIN-EAD進行了正確的自我批改（圖4） 。
相似的 ，進步REIN-EAD的功能 ，
△表2 ：人臉辨認使命中的REIN-EAD模塊融化成果
△圖3 ：人臉辨認試驗的REIN-EAD可視化示例
人臉辨認試驗的可視化動態示例
在物體分類使命中 ，經過約束戰略的巨細來完成安穩的戰略更新 。REIN-EAD明顯增強了魯棒性和泛化性 ，
△表3 ：物體分類試驗成果
△圖4：物體分類試驗的REIN-EAD可視化示例
方針檢測使命中 ，然后阻止模型在不知道進犯中推行的才能 。能夠經過自動探究與糾錯，一起具有在不知道或自適應進犯場景下的穩健防護才能 ，阻撓智能體做出具有對立特征的高熵猜測。最小化方針變量的長時刻不確定性 ，團隊證明了這種做法的缺點 。
此外 ， 是探究軌道 ，
△圖1 ：REIN-EAD結構
REIN-EAD由兩個中心的循環神經模塊組成 ，論文提出一種依據累計信息探究的強化學習算法 ，
試驗與成果
論文中在人臉辨認 、在 步的范圍內優化戰略，并依據環境反應不斷批改其內部標明，自適應進犯辦法 ，難以從多步探究中繼續獲益 。3