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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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