Explainable Reinforcement Learning

La Aprendizaje por Refuerzo Explicable (XRL) aumenta los agentes de aprendizaje por refuerzo estándar con métodos que hacen que sus políticas, decisiones y comportamientos aprendidos sean interpretables para los humanos. En lugar de tratar la política como una caja negra, XRL produce explicaciones post-hoc o construye políticas inherentemente transparentes, permitiendo la verificación de confianza, la depuración y la rendición de cuentas en la toma de decisiones automatizada de alto riesgo.