Selitettävä vahvistusoppiminen
Selitettävä vahvistusoppiminen (XRL) täydentää standardeja vahvistusoppimisagentteja menetelmillä, jotka tekevät niiden politiikoista, päätöksistä ja opituista käyttäytymismalleista ihmisille tulkittavia. Sen sijaan, että politiikkaa käsiteltäisiin mustana laatikkona, XRL tuottaa jälkikäteisiä selityksiä tai rakentaa luonnostaan läpinäkyviä politiikkoja, mahdollistaen luottamuksen varmistamisen, virheenkorjauksen ja vastuullisuuden korkean panoksen automaattisessa päätöksenteossa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/fi/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.
- HuomiomekanismiSyväoppiminen↔ compare
- Selitettävä BERT-pohjainen luokitteluSyväoppiminen↔ compare
- VahvistusoppiminenSyväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →