उलटा सुदृढीकरण सीखना

व्युत्क्रम सुदृढीकरण शिक्षण (आईआरएल) मानक आरएल को फ़्लिप करता है: पुरस्कार दिए जाने और नीति खोजने के बजाय, यह विशेषज्ञ के व्यवहार को देखता है और छिपे हुए इनाम फ़ंक्शन का अनुमान लगाता है जो इसे समझाता है। यह मायने रखता है क्योंकि पुनर्प्राप्त इनाम सीधे कॉपी किए गए कार्यों की तुलना में नई स्थितियों को कहीं बेहतर तरीके से सामान्यीकृत करता है।

आईआरएल प्रदर्शनों को इनपुट के रूप में लेता है और अंतर्निहित इनाम फ़ंक्शन का अनुमान लगाता है जिसके तहत विशेषज्ञ का व्यवहार इष्टतम प्रतीत होता है।

एक तुच्छ सर्व-शून्य इनाम सहित एकाधिक इनाम फ़ंक्शन, देखे गए व्यवहार को इष्टतम बना सकते हैं, इसलिए इनाम केवल प्रदर्शनों द्वारा विशिष्ट रूप से निर्धारित नहीं किया जाता है।

एक इनाम फ़ंक्शन यह बताता है कि विशेषज्ञ ने ऐसा क्यों किया जैसा उसने किया, व्युत्पन्न नीति को नए राज्यों में समझदारी से व्यवहार करने दिया, जबकि क्लोनिंग केवल डेटा में देखी गई क्रियाओं की प्रतिलिपि बनाता है।

मैक्स-एंट्रॉपी आईआरएल मानता है कि उच्च-इनाम प्रक्षेपवक्र तेजी से अधिक होने की संभावना है, एक अनूठा उद्देश्य देता है जो अपूर्ण, शोर विशेषज्ञों को भी सहन करता है।

आईआरएल एक इनाम तैयार करता है, जिसे उस अनुमानित उद्देश्य के तहत एक इष्टतम नीति की गणना करने के लिए एक सामान्य आरएल एल्गोरिदम को सौंप दिया जाता है।