Forklarbar forsterkningslæring
Forklarbar forsterkningslæring (XRL) utvider standard forsterkningslæringsagenter med metoder som gjør deres policyer, beslutninger og lærte atferd tolkbare for mennesker. I stedet for å behandle policyen som en svart boks, produserer XRL post-hoc-forklaringer eller bygger iboende transparente policyer, noe som muliggjør tillitsverifisering, feilsøking og ansvarlighet i kritiske automatiserte beslutningsprosesser.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/no/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.
- OppmerksomhetsmekanismeDyp læring↔ compare
- Forklarbar BERT-basert klassifiseringDyp læring↔ compare
- ForsterkningslæringDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →