Học tăng cường có thể giải thích được
Học tăng cường có thể giải thích được (XRL) bổ sung cho các tác nhân học tăng cường tiêu chuẩn bằng các phương pháp giúp chính sách, quyết định và hành vi đã học của chúng có thể diễn giải được đối với con người. Thay vì coi chính sách là một hộp đen, XRL tạo ra các lời giải thích sau khi thực hiện hoặc xây dựng các chính sách minh bạch vốn có, cho phép xác minh độ tin cậy, gỡ lỗi và trách nhiệm giải trình trong việc ra quyết định tự động có rủi ro cao.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Explainable Reinforcement Learning (XRL). ScholarGate. https://scholargate.app/vi/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.
- Cơ chế chú ý (Attention Mechanism)Học sâu↔ compare
- Phân loại dựa trên BERT có thể giải thíchHọc sâu↔ compare
- Học tăng cườngHọc sâu↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →