Aprenentatge per Reforç Explicable
L'Aprenentatge per Reforç Explicable (XRL) augmenta els agents d'aprenentatge per reforç estàndard amb mètodes que fan que les seves polítiques, decisions i comportaments apresos siguin interpretables per als humans. En lloc de tractar la política com una caixa negra, l'XRL produeix explicacions post-hoc o construeix polítiques intrínsecament transparents, permetent la verificació de la confiança, la depuració i la rendició de comptes en la presa de decisions automatitzada d'alt risc.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/ca/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.
- Mecanisme d'atencióAprenentatge profund↔ compare
- Classificació basada en BERT explicableAprenentatge profund↔ compare
- Aprenentatge per ReforçamentAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →