यह पत्र सुदृढीकरण अधिगम (RL) और सतत सुदृढीकरण अधिगम (CRL) के पारंपरिक दृष्टिकोण के बीच अंतर का विश्लेषण करता है, और CRL के लिए उपयुक्त एक नई औपचारिकता का प्रस्ताव करता है। जहाँ पारंपरिक RL एक इष्टतम नीति मिलने के बाद सीखना बंद कर देता है, वहीं CRL का लक्ष्य निरंतर अधिगम और अनुकूलन है। हमारा तर्क है कि पारंपरिक RL के चार स्तंभ, अर्थात् मार्कोव निर्णय प्रक्रियाएँ (MDP), समय-स्वतंत्र कलाकृतियों पर ध्यान, एक अपेक्षित-पुरस्कार योग मूल्यांकन मीट्रिक, और इन स्तंभों का पालन करने वाला एक प्रकरण-आधारित बेंचमार्क वातावरण, CRL के लक्ष्यों के साथ संघर्ष में हैं। हम एक नई औपचारिकता का प्रस्ताव करते हैं जो पारंपरिक RL के पहले और तीसरे स्तंभों को इतिहास प्रक्रिया और सतत अधिगम के लिए उपयुक्त एक नए विचलन पछतावा मूल्यांकन मीट्रिक से प्रतिस्थापित करती है,
