Forklarlig Forstærkningslæring
Forklarlig Forstærkningslæring (XRL) udvider standard forstærkningslæringsagenter med metoder, der gør deres politikker, beslutninger og lærte adfærd fortolkelige for mennesker. I stedet for at behandle politikken som en sort boks, producerer XRL post-hoc forklaringer eller bygger iboende gennemsigtige politikker, hvilket muliggør tillidsverifikation, fejlfinding og ansvarlighed i højrisiko automatiserede beslutningsprocesser.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/da/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.
- OpmærksomhedsmekanismeDyb læring↔ compare
- Forklarbar BERT-baseret klassifikationDyb læring↔ compare
- ForstærkningslæringDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →