Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Imitációs tanulási kvíz

Checks behavioral cloning, distribution shift, expert demonstrations, DAgger’s data aggregation and limitations outside observed states.

Kapcsolódó útmutató utakUtánzó tanulás
kérdés 1 -ból 8

In imitation learning, how does an agent acquire its behavior?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. In imitation learning, how does an agent acquire its behavior?
    • Irányelv elsajátítása szakértői bemutatók másolásával
    • Kézzel tervezett jutalom maximalizálása véletlenszerű felfedezéssel
    • Neurális hálózat tömörítése kis eszközökön való futtatáshoz
    • Képek generálása szöveges promptokból
  2. Milyen problémaként fogalmazza meg a viselkedési klónozás az imitációs tanulást?
    • Felügyelet nélküli klaszterezés
    • Állapot-művelet leképezések felügyelt tanulása
    • Ellenálló generáció
    • Jutalomformálás
  3. Milyen probléma okozza a viselkedési klónozás kudarcát hosszú akciósorozatok során?
    • Túlillesztés a jutalmazási funkcióhoz
    • Eltűnő színátmenetek a kódolóban
    • Összetételi hiba az elosztási eltolódásból
    • A régi osztályok katasztrofális elfelejtése
  4. Hogyan kezeli a DAgger algoritmus ezt a gyengeséget?
    • A szakértő teljes eltávolításával a körből
    • A diszkonttényező növelésével
    • Véletlenszerű zaj hozzáadásával minden művelethez
    • Az állapotok szakértőjének lekérdezésével a tanuló ténylegesen meglátogatja és összesíti az adatokat
  5. Miért részesítik előnyben az utánzásos tanulást a megerősített tanulással szemben olyan feladatoknál, mint a vezetés?
    • Könnyebb bemutatni, mint egy helyes jutalmazási funkciót
    • Optimális viselkedést garantál
    • Soha nem kell hozzá semmilyen adat
    • Csak következtetésre fut gyorsabban
  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