Förklarbar förstärkningsinlärning
Förklarbar förstärkningsinlärning (XRL) utökar standardagenter för förstärkningsinlärning med metoder som gör deras policyer, beslut och inlärda beteenden tolkningsbara för människor. Istället för att behandla policyn som en svart låda, producerar XRL post-hoc-förklaringar eller bygger i sig transparenta policyer, vilket möjliggör förtroendeverifiering, felsökning och ansvarsskyldighet vid automatiserat beslutsfattande med höga insatser.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/sv/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.
- UppmärksamhetsmekanismDjupinlärning↔ compare
- Förklaringsbar BERT-baserad klassificeringDjupinlärning↔ compare
- FörstärkningsinlärningDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →