在过去十年中，决策树被广泛应用于以可解释的方式表示控制器（即策略），其中 dtControl2 是当前的先进工具。然而，对于大型系统或存在许多边界情况的系统，这种表示往往过于复杂，难以被人类理解。减少决策树的规模并非易事，因为缺失一个关键案例可能导致控制器不正确。我们在马尔可夫决策过程的背景下解决了这一问题，通过引入 "\varepsilon" 功能扩展 dtControl2：给定一个允许的误差 \varepsilon \geq 0，我们构建一个更小的决策树，提炼控制器的本质，同时保证其 \varepsilon-最优性。这使我们能够提供可调的更简单的解释，省略可控的细节量。我们的工具构建的决策树比现有技术小几个数量级。
博主点评： 本文通过引入可调的误差参数 \varepsilon，有效地在可解释性与控制器的最优性之间达成了平衡，为决策树的应用提供了新的思路，尤其适用于复杂系统的场景。