Verklaarbare Reinforcement Learning
Verklaarbare Reinforcement Learning (XRL) breidt standaard reinforcement learning-agenten uit met methoden die hun beleid, beslissingen en aangeleerde gedrag interpreteerbaar maken voor mensen. In plaats van het beleid als een black box te behandelen, produceert XRL post-hoc verklaringen of bouwt het inherent transparante beleidsregels, wat verificatie van vertrouwen, debugging en verantwoording mogelijk maakt bij geautomatiseerde besluitvorming met hoge inzet.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/nl/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 MechanismDeep learning↔ compare
- Uitlegbare BERT-gebaseerde ClassificatieDeep learning↔ compare
- Reinforcement LearningDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →