arXiv 于 2026 年 5 月 28 日发布了一篇题为《Structure-Induced Information for Rerooting Levin Tree Search》的新论文（编号 arXiv:2605.30664v1，分类 cs.AI），作者为 Jake Tuero 及另外三位合作者，该工作已被 ICML 2026 接收。论文针对的是基于子目标的策略树搜索方法在复杂单智能体确定性问题上的 scalable 性瓶颈，并提出用学习得到的“重定根器”（rerooter）替代显式子目标生成的新框架。
基于子目标的策略树搜索利用策略网络引导搜索过程，在复杂单智能体确定性问题中表现有效，但其效果往往依赖于显式生成子目标。这种做法会带来可观的额外开销，并限制方法的可扩展性：搜索过程需要先构造子目标，再围绕这些子目标重建并推理，才能把搜索资源分配到不同子任务上。论文的出发点正是消除这一中间环节。
作者借助近期提出的 √LTS 算法引入一个可学习的 rerooter。与显式划分问题不同，rerooter 会隐式地将问题分解为若干“软子任务”（soft subtasks），从而无需真正重建和推理生成的子目标，就能以显著更低的计算开销实现搜索努力的规模化分配。此前的工作主要关注给定或手工设计的 rerooter 所能获得的形式化保证，而本文转向研究如何设计并学习 rerooter 本身。
论文提出三种 rerooter 设计方案：第一种是基于聚类的 rerooter，利用全局状态空间结构来引导重定根；第二种是基于启发式的 rerooter，借助学习得到的 cost-to-go 估计（即剩余代价预测）提供信号；第三种是混合方案，将聚类信号与启发式信号结合起来。这三种设计共享同一框架，即通过 rerooter 隐式分解问题，避免显式子目标的重建与推理，从而在保持搜索效果的同时降低计算负担。
在实验层面，作者报告称，基于重定根的方法能够扩展到子目标策略树搜索失效的复杂环境中，并在所测试的领域上取得了当前最优的在线训练效率。论文同时给出了提交时间线：v1 版本于 2026 年 5 月 28 日 23:51:21 UTC 提交，全文约 1,560 KB，可通过 PDF、实验性 HTML 与 TeX 源码等方式获取，DOI 由 DataCite 发放（尚待注册）。
需要注意的是，论文摘要侧重方法设计与实证结果，并未在摘要中给出各领域的具体数值对比；此外，形式化保证方面的讨论主要针对既有工作，本文的重点在于 rerooter 的设计与学习。总体而言，该工作为策略树搜索提供了一条绕开显式子目标生成的路径，使搜索资源分配更具可扩展性，并为后续在更复杂环境中的在线训练效率研究提供了参考。