Quiz collegato alla guida · Medio Livello
Quiz sull'apprendimento per imitazione
Controlla la clonazione comportamentale, lo spostamento della distribuzione, le dimostrazioni di esperti, l'aggregazione dei dati di DAgger e le limitazioni al di fuori degli stati osservati.
Domanda 1 di 8
Nell’apprendimento per imitazione, come fa un agente ad acquisire il proprio comportamento?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Nell’apprendimento per imitazione, come fa un agente ad acquisire il proprio comportamento?
- Imparare una politica copiando le dimostrazioni degli esperti
- Massimizzare una ricompensa progettata manualmente attraverso l'esplorazione casuale
- Compressione di una rete neurale per l'esecuzione su piccoli dispositivi
- Generazione di immagini da istruzioni di testo
- Quale tipo di problema è rappresentato dalla clonazione comportamentale che inquadra l'apprendimento per imitazione?
- Cluster non supervisionato
- Apprendimento supervisionato delle mappature stato-azione
- Generazione avversaria
- Definizione della ricompensa
- Quale problema causa il fallimento della clonazione comportamentale durante sequenze di azioni lunghe?
- Adattamento eccessivo alla funzione di ricompensa
- Gradienti evanescenti nel codificatore
- Errore cumulativo derivante dallo spostamento della distribuzione
- Dimenticamento catastrofico delle vecchie classi
- In che modo l’algoritmo DAgger affronta questa debolezza?
- Rimuovendo completamente l'esperto dal ciclo
- Aumentando il fattore di sconto
- Aggiungendo rumore casuale a tutte le azioni
- Interrogando l'esperto sugli stati che lo studente effettivamente visita e aggregando tali dati
- Perché l’apprendimento per imitazione è spesso preferito all’apprendimento per rinforzo per attività come la guida?
- Le dimostrazioni sono più facili da fornire rispetto a una corretta funzione di ricompensa
- Garantisce un comportamento ottimale
- Non ha mai bisogno di dati
- Funziona più velocemente solo in inferenza
- 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