اختبار مرتبط بالدليل · صعب المستوى
اختبار التعلم التعزيز العكسي
يتحقق من هدف استرداد المكافأة لـ IRL، والغموض، واحتمالات مسار الحد الأقصى للإنتروبيا وكيفية استخلاص السياسة بعد ذلك.
سؤال 1 من 8
ما الذي يهدف التعلم المعزز العكسي إلى استعادته؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما الذي يهدف التعلم المعزز العكسي إلى استعادته؟
- وظيفة المكافأة التي تشرح سلوك الخبراء الملحوظ
- محسن أسرع لنزول التدرج
- نسخة مضغوطة من التظاهرات
- مجموعة بيانات الصورة المسمى
- لماذا توصف مشكلة IRL بأنها غير واضحة أو غامضة؟
- لأن العروض التوضيحية دائمًا ما تكون مثالية تمامًا
- لأن العديد من وظائف المكافأة المختلفة يمكن أن تفسر نفس السلوك
- لأن المكافآت يجب أن تكون دائمًا سلبية
- لأنه لا يتطلب بيانات الخبراء
- ما هي الميزة الرئيسية التي يتمتع بها استرداد المكافأة مقارنة بالاستنساخ السلوكي؟
- ولا يحتاج إلى مظاهرات
- إنه يعمل دائمًا في وقت ثابت
- إنه يلتقط الهدف الأساسي، ويعمم على الحالات غير المرئية
- إنه يتجنب استخدام أي سياسة
- كيف يعمل IRL ذو الإنتروبيا القصوى على حل غموض المكافأة؟
- من خلال إجبار جميع المكافآت على أن تكون متساوية
- من خلال تجاهل المسارات دون المستوى الأمثل تمامًا
- عن طريق إزالة وظيفة المكافأة
- من خلال نمذجة احتمالية المسار على أنها أسية في إجمالي المكافأة
- بعد أن يستعيد IRL وظيفة المكافأة، ما الذي يتم فعله عادةً بعد ذلك؟
- يستمد التعلم المعزز القياسي سياسة من تلك المكافأة
- يتم تجاهل المكافأة
- يتم حذف المظاهرات لتوفير المساحة
- يتوقف الوكيل عن التعلم
- في أي سيناريو يكون IRL مفيدًا بشكل خاص؟
- عندما تكون المكافأة معروفة تمامًا بالفعل
- عندما تريد فهم وتعميم الأهداف الكامنة وراء سلوك الخبراء
- عندما لا توجد بيانات السلوك
- عندما تحتاج فقط إلى حفظ الإجراءات الثابتة
- Why can a constant zero reward explain many different expert policies?
- It assigns the highest reward only to expert actions
- It proves the expert is optimal
- Every policy receives the same return, so none is preferred by the reward
- It makes the transition model deterministic
- In maximum-entropy IRL, how are higher-reward trajectories treated relative to lower-reward ones?
- They are assigned probability zero
- They are treated as equally likely regardless of reward
- They are removed before policy learning
- They receive higher probability, with probability depending exponentially on total reward