Aprendizagem por Reforço Explicável
A Aprendizagem por Reforço Explicável (XRL) aprimora agentes de aprendizagem por reforço padrão com métodos que tornam suas políticas, decisões e comportamentos aprendidos interpretáveis para humanos. Em vez de tratar a política como uma caixa preta, a XRL produz explicações post-hoc ou constrói políticas inerentemente transparentes, permitindo a verificação de confiança, depuração e responsabilização em tomadas de decisão automatizadas de alto risco.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/pt/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.
- Mecanismo de AtençãoAprendizado profundo↔ compare
- Classificação Explicável Baseada em BERTAprendizado profundo↔ compare
- Aprendizagem por ReforçoAprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →