Kvíz spojený s průvodcem · Střední úroveň

Kvíz imitace učení

Kontroluje behaviorální klonování, distribuční posun, expertní demonstrace, agregaci dat DAgger a omezení mimo pozorované stavy.

Související vodicí cestyImitační učení
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.

  1. 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
  2. Jaký druh problému představuje behaviorální klonování rámců učení imitace?
    • Shlukování bez dozoru
    • Řízené učení mapování stavu k akci
    • Generace protivníků
    • Formování odměny
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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