ইনভার্স রিইনফোর্সমেন্ট লার্নিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. বিপরীত শক্তিবৃদ্ধি শিক্ষা পুনরুদ্ধার করার লক্ষ্য কি?
   • একটি পুরস্কার ফাংশন যা পর্যবেক্ষণ করা বিশেষজ্ঞের আচরণ ব্যাখ্যা করে
   • গ্রেডিয়েন্ট ডিসেন্টের জন্য একটি দ্রুত অপ্টিমাইজার
   • বিক্ষোভের একটি সংকুচিত সংস্করণ
   • একটি লেবেলযুক্ত চিত্র ডেটাসেট
2. কেন IRL সমস্যাটিকে অসুস্থ বা অস্পষ্ট হিসাবে বর্ণনা করা হয়েছে?
   • কারণ বিক্ষোভ সর্বদাই সর্বোত্তম
   • কারণ অনেকগুলি বিভিন্ন পুরষ্কার ফাংশন একই আচরণ ব্যাখ্যা করতে পারে
   • কারণ পুরস্কার সবসময় নেতিবাচক হতে হবে
   • কারণ এটির জন্য কোনও বিশেষজ্ঞ ডেটার প্রয়োজন নেই
3. আচরণগত ক্লোনিংয়ের চেয়ে পুরস্কার পুনরুদ্ধার করার মূল সুবিধা কী?
   • এর জন্য কোনো বিক্ষোভের প্রয়োজন নেই
   • এটা সবসময় ধ্রুবক সময়ে চলে
   • এটি অন্তর্নিহিত লক্ষ্য ক্যাপচার করে, অদেখা রাজ্যে সাধারণীকরণ করে
   • এটি কোন নীতি ব্যবহার এড়ায়
4. সর্বোচ্চ-এনট্রপি আইআরএল কীভাবে পুরস্কারের অস্পষ্টতা সমাধান করে?
   • সব পুরস্কার সমান হতে বাধ্য করে
   • সাবঅপ্টিমাল ট্র্যাজেক্টোরিগুলিকে সম্পূর্ণরূপে উপেক্ষা করে
   • পুরস্কার ফাংশন অপসারণ দ্বারা
   • মোট পুরস্কারে সূচকীয় হিসাবে ট্র্যাজেক্টোরি সম্ভাব্যতা মডেলিং করে
5. IRL একটি পুরষ্কার ফাংশন পুনরুদ্ধার করার পরে, সাধারণত পরবর্তীতে কী করা হয়?
   • স্ট্যান্ডার্ড রিইনফোর্সমেন্ট লার্নিং সেই পুরস্কার থেকে একটি নীতি লাভ করে
   • পুরস্কার বাতিল করা হয়
   • স্থান বাঁচাতে বিক্ষোভগুলি মুছে ফেলা হয়
   • এজেন্ট শেখা বন্ধ করে দেয়
6. কোন পরিস্থিতিতে আইআরএল বিশেষভাবে দরকারী?
   • যখন পুরস্কার ইতিমধ্যেই পুরোপুরি পরিচিত
   • আপনি যখন বিশেষজ্ঞের আচরণের পিছনে লক্ষ্যগুলি বুঝতে এবং সাধারণীকরণ করতে চান
   • যখন কোনও আচরণের ডেটা বিদ্যমান থাকে না
   • যখন আপনি শুধুমাত্র স্থির কর্ম মুখস্ত করতে হবে
7. 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
8. 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