Machine learningDeep learning / NLP / CV
설명 가능한 강화학습
설명 가능한 강화학습(Explainable Reinforcement Learning, XRL)은 표준 강화학습 에이전트에 인간이 정책, 결정 및 학습된 행동을 해석할 수 있도록 하는 방법들을 추가한 것입니다. XRL은 정책을 블랙박스로 취급하는 대신, 사후 설명(post-hoc explanations)을 생성하거나 본질적으로 투명한 정책을 구축하여, 높은 위험도의 자동화된 의사결정에서 신뢰 검증, 디버깅 및 책임성을 가능하게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/ko/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.
Compare side by side →