Pembelajaran Penguatan yang Dapat Dijelaskan
Pembelajaran Penguatan yang Dapat Dijelaskan (XRL) memperkaya agen pembelajaran penguatan standar dengan metode yang membuat kebijakan, keputusan, dan perilaku yang dipelajari dapat diinterpretasikan oleh manusia. Alih-alih memperlakukan kebijakan sebagai kotak hitam, XRL menghasilkan penjelasan post-hoc atau membangun kebijakan yang secara inheren transparan, memungkinkan verifikasi kepercayaan, penelusuran kesalahan (debugging), dan akuntabilitas dalam pengambilan keputusan otomatis berisiko tinggi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/id/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.
- Mekanisme PerhatianPembelajaran Mendalam↔ compare
- Klasifikasi Berbasis BERT yang Dapat DijelaskanPembelajaran Mendalam↔ compare
- Pembelajaran PenguatanPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →