Kvíz spojený s průvodcem · Střední úroveň
Kvíz imitace učení
Kontroluje behaviorální klonování, distribuční posun, expertní demonstrace, agregaci dat DAgger a omezení mimo pozorované stavy.
Otázka 1 z 8
In imitation learning, how does an agent acquire its behavior?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- In imitation learning, how does an agent acquire its behavior?
- Naučte se zásady kopírováním ukázek odborníků
- Maximalizace ručně navržené odměny prostřednictvím náhodného průzkumu
- Komprese neuronové sítě pro běh na malých zařízeních
- Generování obrázků z textových výzev
- Jaký druh problému představuje behaviorální klonování rámců učení imitace?
- Shlukování bez dozoru
- Řízené učení mapování stavu k akci
- Generace protivníků
- Formování odměny
- Jaký problém způsobuje selhání behaviorálního klonování během dlouhých akčních sekvencí?
- Přepastování na funkci odměny
- Mizející přechody v kodéru
- Chyba skládání z distribučního posunu
- Katastrofální zapomenutí starých tříd
- Jak algoritmus DAgger řeší tuto slabinu?
- Úplným odstraněním odborníka ze smyčky
- Zvýšením diskontního faktoru
- Přidáním náhodného šumu do všech akcí
- Dotazováním odborníka na státy student skutečně navštíví a agreguje tato data
- Proč je imitační učení často upřednostňováno před posilovacím učením pro úkoly, jako je řízení?
- Demonstrace se poskytují snadněji než správná funkce odměn
- Zaručuje optimální chování
- Nikdy nepotřebuje žádná data
- Běží rychleji pouze při odvození
- What is a realistic limitation of behavioral cloning when the agent reaches states outside the demonstrations?
- It is guaranteed to improve beyond the expert
- Its behavior is not guaranteed there because those states may be out of distribution
- It can only produce random actions
- It automatically queries an expert at every step
- In one DAgger iteration, what does the learner do before requesting expert labels?
- Deletes all earlier demonstrations
- Trains only on randomly generated labels
- Rolls out its current policy and records the states it actually visits
- Replaces the expert policy permanently
- After the expert labels the states visited by the current policy, what happens to that data?
- It is used only as an evaluation metric
- It replaces the original observation space
- It is discarded after one gradient step
- It is aggregated with previous labeled data for retraining