Apprentissage par Renforcement Explicable
L'Apprentissage par Renforcement Explicable (XRL) augmente les agents d'apprentissage par renforcement standard avec des méthodes qui rendent leurs politiques, décisions et comportements appris interprétables par les humains. Plutôt que de traiter la politique comme une boîte noire, l'XRL produit des explications post-hoc ou construit des politiques intrinsèquement transparentes, permettant la vérification de la confiance, le débogage et la responsabilité dans la prise de décision automatisée à enjeux élevés.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/fr/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.
- Mécanisme d'attentionApprentissage profond↔ compare
- Classification basée sur BERT explicableApprentissage profond↔ compare
- Apprentissage par renforcementApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →