Объяснимое обучение с подкреплением
Объяснимое обучение с подкреплением (Explainable Reinforcement Learning, XRL) дополняет стандартных агентов обучения с подкреплением методами, которые делают их политики, решения и усвоенное поведение интерпретируемыми для человека. Вместо того чтобы рассматривать политику как «черный ящик», XRL генерирует постфактумные объяснения или создает изначально прозрачные политики, обеспечивая проверку доверия, отладку и подотчетность в критически важных сценариях автоматизированного принятия решений.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/ru/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.
- Механизм вниманияГлубокое обучение↔ compare
- Объяснимая классификация на основе BERTГлубокое обучение↔ compare
- Обучение с подкреплениемГлубокое обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →