本研究提出了一种主动标注方法，有效解决长期测试中的错误积累问题。通过选择边界样本和动态权重平衡，实验结果表明该方法显著优于现有技术，并降低了标注成本。

本文提出了一系列多目标强化学习算法，旨在提高任务适应性和策略生成效率。研究包括基于广义Bellman方程的算法、动态权重的偏好推断方法和示范引导的多目标强化学习（DG-MORL），并在复杂机器人任务和能源管理中验证了其有效性。这些方法显著提升了推断效率和准确性。