Învățare prin Recompensă Explicabilă
Învățarea prin Recompensă Explicabilă (XRL) augumentează agenții standard de învățare prin recompensă cu metode care fac politicile, deciziile și comportamentele învățate interpretabile pentru oameni. În loc să trateze politica ca pe o cutie neagră, XRL produce explicații post-hoc sau construiește politici intrinsec transparente, permițând verificarea încrederii, depanarea și responsabilitatea în luarea deciziilor automate cu miză ridicată.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/ro/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.
- Mecanismul de atențieÎnvățare profundă↔ compare
- Clasificare explicabilă bazată pe BERTÎnvățare profundă↔ compare
- Învățare prin consolidareÎnvățare profundă↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →