Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Inverz erősítés tanulási kvíz

Checks the reward-recovery goal of IRL, ambiguity, maximum-entropy trajectory probabilities and how a policy is derived afterward.

Kapcsolódó útmutató utakInverz megerősítéses tanulás
kérdés 1 -ból 8

Mi az inverz megerősítéses tanulás célja a helyreállítás?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az inverz megerősítéses tanulás célja a helyreállítás?
    • Jutalmazási funkció, amely megmagyarázza a megfigyelt szakértői magatartást
    • Gyorsabb optimalizáló a gradiens süllyedéshez
    • A bemutatók tömörített változata
    • Felcímkézett képadatkészlet
  2. Miért írják le rosszul megfogalmazottnak vagy kétértelműnek az IRL-problémát?
    • Mert a bemutatók mindig tökéletesen optimálisak
    • Ugyanazt a viselkedést ugyanis sok különböző jutalmazási funkció magyarázhatja
    • Mert a jutalomnak mindig negatívnak kell lennie
    • Mert ehhez nincs szükség szakértői adatokra
  3. Milyen kulcsfontosságú előnye van a jutalom visszaszerzésének a viselkedési klónozáshoz képest?
    • Nincs szükség demonstrációra
    • Mindig állandó időben fut
    • Megragadja a mögöttes célt, általánosítva láthatatlan állapotokra
    • Kerüli az irányelvek alkalmazását
  4. Hogyan oldja meg a maximális entrópiájú IRL a jutalom kétértelműségét?
    • Úgy, hogy minden jutalmat egyenlővé kényszerít
    • A szuboptimális pályák teljes figyelmen kívül hagyásával
    • A jutalom funkció eltávolításával
    • A pályavalószínűség exponenciális modellezésével a teljes jutalomban
  5. Miután az IRL visszanyerte a jutalmazási funkciót, mi a következő lépés?
    • A standard megerősítő tanulás ebből a jutalomból eredeztet egy politikát
    • A jutalmat eldobják
    • A bemutatók helytakarékosság céljából törlésre kerülnek
    • Az ügynök abbahagyja a tanulást
  6. Melyik forgatókönyvben különösen hasznos az IRL?
    • Amikor már tökéletesen ismert a jutalom
    • Amikor meg akarja érteni és általánosítani szeretné a szakértői magatartás mögött rejlő célokat
    • Ha nem léteznek viselkedési adatok
    • Amikor csak a rögzített műveleteket kell megjegyeznie
  7. Why can a constant zero reward explain many different expert policies?
    • It assigns the highest reward only to expert actions
    • It proves the expert is optimal
    • Every policy receives the same return, so none is preferred by the reward
    • It makes the transition model deterministic
  8. In maximum-entropy IRL, how are higher-reward trajectories treated relative to lower-reward ones?
    • They are assigned probability zero
    • They are treated as equally likely regardless of reward
    • They are removed before policy learning
    • They receive higher probability, with probability depending exponentially on total reward