Objašnjivo učenje potkrepljivanjem
Objašnjivo učenje potkrepljivanjem (XRL) proširuje standardne agente učenja potkrepljivanjem metodama koje njihove politike, odluke i naučena ponašanja čine razumljivim ljudima. Umesto da politiku tretira kao crnu kutiju, XRL proizvodi post-hoc objašnjenja ili gradi inherentno transparentne politike, omogućavajući proveru poverenja, otklanjanje grešaka i odgovornost u automatizovanom donošenju odluka sa visokim ulozima.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/sr/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.
- Mehanizam pažnjeDuboko učenje↔ compare
- Objašnjiva klasifikacija zasnovana na BERT-uDuboko učenje↔ compare
- Učenje pojačavanjemDuboko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →