Επεξηγήσιμη Ενισχυτική Μάθηση
Η Επεξηγήσιμη Ενισχυτική Μάθηση (XRL) ενισχύει τυπικούς πράκτορες ενισχυτικής μάθησης με μεθόδους που καθιστούν τις πολιτικές, τις αποφάσεις και τις μαθημένες συμπεριφορές τους ερμηνεύσιμες από ανθρώπους. Αντί να αντιμετωπίζει την πολιτική ως μαύρο κουτί, η XRL παράγει εκ των υστέρων επεξηγήσεις ή κατασκευάζει εγγενώς διαφανείς πολιτικές, επιτρέποντας την επαλήθευση εμπιστοσύνης, την αποσφαλμάτωση και τη λογοδοσία σε αυτοματοποιημένες διαδικασίες λήψης αποφάσεων υψηλού κινδύνου.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/el/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.
- Μηχανισμός ΠροσοχήςΒαθιά Μάθηση↔ compare
- Επεξηγήσιμη Ταξινόμηση Βασισμένη σε BERTΒαθιά Μάθηση↔ compare
- Ενισχυτική ΜάθησηΒαθιά Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →