Objašnjivo pojačano učenje
Objašnjivo pojačano učenje (XRL) nadograđuje standardne agente za pojačano učenje metodama koje čine njihove politike, odluke i naučena ponašanja interpretativnima za ljude. Umjesto da politiku tretira kao crnu kutiju, XRL proizvodi post-hoc objašnjenja ili gradi inherentno transparentne politike, omogućujući provjeru povjerenja, otklanjanje pogrešaka i odgovornost u donošenju odluka automatiziranih sustava s visokim ulozima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/hr/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.
- Attention MechanismDuboko učenje↔ compare
- Objašnjiva klasifikacija utemeljena na BERT-uDuboko učenje↔ compare
- Potkrepljivačko učenjeDuboko učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →