Kuis Pembelajaran Penguatan Terbalik

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa yang ingin dipulihkan oleh pembelajaran penguatan terbalik?
   • Fungsi penghargaan yang menjelaskan perilaku pakar yang diamati
   • Pengoptimal yang lebih cepat untuk penurunan gradien
   • Versi demonstrasi yang dikompresi
   • Kumpulan data gambar berlabel
2. Mengapa masalah IRL digambarkan sebagai masalah yang tidak tepat atau ambigu?
   • Karena demonstrasi selalu optimal sempurna
   • Karena banyak fungsi penghargaan yang berbeda dapat menjelaskan perilaku yang sama
   • Karena imbalannya harus selalu negatif
   • Karena tidak memerlukan data ahli
3. Keuntungan utama apa yang dimiliki oleh pemulihan hadiah dibandingkan kloning perilaku?
   • Tidak perlu demonstrasi
   • Itu selalu berjalan dalam waktu yang konstan
   • Ini menangkap tujuan mendasar, menggeneralisasi keadaan yang tidak terlihat
   • Ini menghindari penggunaan kebijakan apa pun
4. Bagaimana IRL entropi maksimum mengatasi ambiguitas penghargaan?
   • Dengan memaksa semua imbalan menjadi sama
   • Dengan mengabaikan lintasan suboptimal sepenuhnya
   • Dengan menghapus fungsi hadiah
   • Dengan memodelkan probabilitas lintasan sebagai eksponensial dalam total imbalan
5. Setelah IRL memulihkan fungsi hadiah, apa yang biasanya dilakukan selanjutnya?
   • Pembelajaran penguatan standar memperoleh kebijakan dari penghargaan tersebut
   • Hadiahnya dibuang
   • Demonstrasi dihapus untuk menghemat ruang
   • Agen berhenti belajar
6. Dalam skenario manakah IRL sangat berguna?
   • Ketika pahala sudah diketahui dengan sempurna
   • Saat Anda ingin memahami dan menggeneralisasi tujuan di balik perilaku ahli
   • Ketika tidak ada data perilaku
   • Ketika Anda hanya perlu menghafal tindakan tetap
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