Vysvětlitelné zpětné učení
Vysvětlitelné zpětné učení (XRL) rozšiřuje standardní agenty zpětného učení o metody, které činí jejich politiky, rozhodnutí a naučené chování srozumitelným pro člověka. Místo aby byla politika považována za černou skříňku, XRL generuje dodatečná vysvětlení nebo vytváří přirozeně transparentní politiky, což umožňuje ověření důvěry, ladění a odpovědnost ve vysoce rizikovém automatizovaném rozhodování.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/cs/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.
- Mechanismus pozornostiHluboké učení↔ compare
- Vysvětlitelná klasifikace založená na BERTHluboké učení↔ compare
- Zpětnovazební učeníHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →