व्याख्या योग्य सुदृढीकरण अधिगम
व्याख्या योग्य सुदृढीकरण अधिगम (XRL) मानक सुदृढीकरण अधिगम एजेंटों को ऐसी विधियों से संवर्धित करता है जो उनकी नीतियों, निर्णयों और सीखे गए व्यवहारों को मनुष्यों के लिए व्याख्या योग्य बनाती हैं। नीति को एक ब्लैक बॉक्स मानने के बजाय, XRL पश्च-व्याख्याएँ उत्पन्न करता है या स्वाभाविक रूप से पारदर्शी नीतियाँ बनाता है, जिससे उच्च-दांव वाले स्वचालित निर्णय लेने में विश्वास सत्यापन, डिबगिंग और जवाबदेही सक्षम होती है।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
स्रोत
- 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 ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/hi/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.
- अटेंशन मैकेनिज्म (Attention Mechanism)गहन अधिगम↔ compare
- व्याख्या योग्य BERT-आधारित वर्गीकरणगहन अधिगम↔ compare
- पुनर्बलन अधिगमगहन अधिगम↔ compare