في عالم تعلم الآلة، غالباً ما تكون الاستدامة والاستقرار هي التحديات الرئيسية، خاصةً عند استخدام أساليب التعلم التدريجي (streaming) كتعلم التعزيز. التقليدي، في طرق التعلم المبنية على التدرجات، قد لا توفر خطوة معينة تغيراً متوقعاً في ناتجة الدالة. هذا الأمر يمكن أن يؤدي إلى عدم الاستقرار، خاصةً عندما يتعلق الأمر ببيئة تعليمية حيث يكون حجم الدفعة واحداً فقط (batch size=1).

لحل هذه المشكلة، تم تقديم مفهوم "التحديثات المتعمدة". يركز هذا النهج على تحديد النتيجة المرغوبة من التحديث أولاً، ثم يتم تحديد خطوة التحديث التي تقربنا من هذه النتيجة. تم استخدام هذا المبدأ بالفعل في الانحدار الخطي المراقب عبر خوارزمية "المربعات الصغرى المحسوبة" (Normalized Least Mean Squares) التي تختار خطوة التحديث لتحقيق تغيير محدد في ناتج الدالة يتناسب مع الخطأ الحالي.

في سياق تعلم التعزيز المتدفق، تم توسيع هذا النهج ليشمل أهداف متعمدة محددة. على سبيل المثال، يهدف "Intentional TD" إلى تقليل خطأ TD (Temporal Difference) بنسبة ثابتة، بينما يسعى "Intentional Policy Gradient" إلى تقليل التغييرات المحلية في السياسة من خلال تحديد اقتصادات KL (Kullback-Leibler divergence).

تقدم هذه الدراسة خوارزميات عملية تجمع بين المؤشرات التأهيلية (eligibility traces) والمقاييس القطرية. ومن الناحية التجريبية، تظهر هذه الطرق أداءً متفوقاً في البيئات المتدفقة، في كثير من الأحيان تعادل طرق الدفعة وطرق الذاكرة العشوائية.

بهذه التحديثات المتعمدة، تتخطى خوارزميات التعلم التقليدية التحديات المتعلقة بعدم الاستقرار وتحسن من فعالية الأداء بشكل ملحوظ.