Erklärbares Reinforcement Learning
Erklärbares Reinforcement Learning (XRL) erweitert Standard-Reinforcement-Learning-Agenten um Methoden, die deren Strategien, Entscheidungen und erlerntes Verhalten für Menschen interpretierbar machen. Anstatt die Strategie als Black Box zu behandeln, erzeugt XRL Post-hoc-Erklärungen oder konstruiert von Natur aus transparente Strategien, was die Vertrauensüberprüfung, das Debugging und die Rechenschaftspflicht bei risikoreichen automatisierten Entscheidungen ermöglicht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/de/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.
- Attention MechanismDeep Learning↔ compare
- Erklärbare BERT-basierte KlassifikationDeep Learning↔ compare
- Reinforcement LearningDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →