Обясним подсилващ алгоритъм за учене
Обяснимият подсилващ алгоритъм за учене (XRL) допълва стандартните подсилващи алгоритми за учене с методи, които правят техните политики, решения и научени поведения разбираеми за хората. Вместо да третира политиката като черна кутия, XRL генерира обяснения след обучението или изгражда присъщо прозрачни политики, което позволява проверка на доверието, отстраняване на грешки и отчетност при вземане на автоматизирани решения с високи залози.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Puiutta, E., & Veith, E. M. S. P. (2020). Explainable Reinforcement Learning: A Survey. In Machine Learning and Knowledge Extraction (CD-MAKE 2020), Lecture Notes in Computer Science, vol. 12279, pp. 77–95. Springer. DOI: 10.1007/978-3-030-57321-8_5 ↗
- Explainable artificial intelligence. Wikipedia. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/bg/deep-learning/explainable-reinforcement-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Механизъм на вниманиетоДълбоко обучение↔ compare
- Обяснима класификация, базирана на BERTДълбоко обучение↔ compare
- Обучение с подкреплениеДълбоко обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →