Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Imitációs tanulási kvíz
Checks behavioral cloning, distribution shift, expert demonstrations, DAgger’s data aggregation and limitations outside observed states.
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.
- 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
- Milyen problémaként fogalmazza meg a viselkedési klónozás az imitációs tanulást?
- Felügyelet nélküli klaszterezés
- Állapot-művelet leképezések felügyelt tanulása
- Ellenálló generáció
- Jutalomformálás
- 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
- 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
- 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
- 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