یادگیری تقویتی قابل توضیح
یادگیری تقویتی قابل توضیح (XRL) عاملهای یادگیری تقویتی استاندارد را با روشهایی تکمیل میکند که خطمشیها، تصمیمات و رفتارهای آموختهشده آنها را برای انسانها قابل تفسیر میسازد. به جای در نظر گرفتن خطمشی به عنوان یک جعبه سیاه، XRL توضیحات پس از وقوع (post-hoc) تولید میکند یا خطمشیهای شفاف ذاتی را میسازد و امکان تأیید اعتماد، اشکالزدایی و پاسخگویی را در تصمیمگیری خودکار با پیامدهای بالا فراهم میآورد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/fa/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.
- سازوکار توجهیادگیری عمیق↔ compare
- طبقهبندی مبتنی بر برتِ قابل توضیحیادگیری عمیق↔ compare
- یادگیری تقویتییادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →