Pembelajaran Pengukuhan Boleh Jelas
Pembelajaran Pengukuhan Boleh Jelas (XRL) menambah ejen pembelajaran pengukuhan standard dengan kaedah yang menjadikan dasar, keputusan, dan tingkah laku yang dipelajari boleh ditafsirkan oleh manusia. Daripada menganggap dasar sebagai kotak hitam, XRL menghasilkan penjelasan pasca-hoc atau membina dasar yang telus secara intrinsik, membolehkan pengesahan kepercayaan, penyahpepijatan, dan akauntabiliti dalam pembuatan keputusan automatik berisiko tinggi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/ms/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 Berasaskan BERT yang Boleh DijelaskanPembelajaran Mendalam↔ compare
- Pembelajaran PengukuhanPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →