การเรียนรู้แบบเสริมกำลังที่อธิบายได้
การเรียนรู้แบบเสริมกำลังที่อธิบายได้ (Explainable Reinforcement Learning: XRL) เป็นการเพิ่มวิธีการที่ทำให้ นโยบาย การตัดสินใจ และพฤติกรรมที่เรียนรู้ของเอเจนต์การเรียนรู้แบบเสริมกำลัง (reinforcement learning agents) สามารถเข้าใจได้โดยมนุษย์ แทนที่จะมองนโยบายเป็นกล่องดำ (black box) XRL จะสร้างคำอธิบายหลังการเรียนรู้ (post-hoc explanations) หรือสร้างนโยบายที่โปร่งใสโดยเนื้อแท้ (inherently transparent policies) ซึ่งช่วยให้สามารถตรวจสอบความน่าเชื่อถือ การแก้ไขข้อบกพร่อง และความรับผิดชอบในการตัดสินใจอัตโนมัติที่มีความสำคัญสูงได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/th/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.
- กลไกการใส่ใจ (Attention Mechanism)การเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบเสริมกำลังการเรียนรู้เชิงลึก↔ compare