本研究提出了一种层次化强化学习方法，通过专家提供的抽象动态规划生成子目标，以提高复杂多任务环境中的决策效率。实验证明，该方法在样本效率、任务完成率和新场景泛化能力上优于现有方法，具有重要影响。

该研究探讨了多任务环境下的联邦迁移学习，发现使用任务特定和个性化的联邦模型进行迁移学习和训练可以获得类似或更高的准确性。