একটি action-এর ফল শুধু এখন নয়, ভবিষ্যতেও পাওয়া যেতে পারে। তাই RL-এ future rewards-এর মোট যোগফলকে return বলা হয়।
$$G_{t} = R_{t + 1} + \gamma R_{t + 2} + \gamma^{2}R_{t + 3} + \cdots$$এখানে $\gamma$ হলো discount factor, যার value সাধারণত 0 থেকে 1-এর মধ্যে থাকে।
$\gamma$ ছোট হলে agent immediate reward-কে বেশি গুরুত্ব দেয়।
$\gamma$ বড় হলে future reward-ও গুরুত্বপূর্ণ হয়।
উদাহরণ হিসেবে, chess-এ একটি piece sacrifice করলে এখন ক্ষতি হতে পারে, কিন্তু পরে game জেতার সুযোগ তৈরি হলে long-term return বেশি হতে পারে।
Return হলো discounted future rewards-এর sum। Discount factor নির্ধারণ করে agent immediate এবং future reward-এর মধ্যে কীভাবে গুরুত্ব ভাগ করবে।