Quiz collegato alla guida · Difficile Livello
Quiz sull'apprendimento del rinforzo inverso
Controlla l'obiettivo di recupero della ricompensa dell'IRL, l'ambiguità, le probabilità della traiettoria di massima entropia e il modo in cui una politica viene successivamente derivata.
Domanda 1 di 8
Cosa mira a recuperare l’apprendimento per rinforzo inverso?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa mira a recuperare l’apprendimento per rinforzo inverso?
- Una funzione di ricompensa che spiega il comportamento osservato dell'esperto
- Un ottimizzatore più veloce per la discesa in pendenza
- Una versione compressa delle dimostrazioni
- Un set di dati di immagine etichettato
- Perché il problema IRL viene descritto come mal posto o ambiguo?
- Perché le dimostrazioni sono sempre perfettamente ottimali
- Perché molte diverse funzioni di ricompensa possono spiegare lo stesso comportamento
- Perché le ricompense devono essere sempre negative
- Perché non richiede dati di esperti
- Quale vantaggio chiave ha il recupero di una ricompensa rispetto alla clonazione comportamentale?
- Non ha bisogno di dimostrazioni
- Funziona sempre in tempo costante
- Cattura l'obiettivo sottostante, generalizzando a stati invisibili
- Evita di utilizzare qualsiasi politica
- In che modo l'IRL di massima entropia risolve l'ambiguità della ricompensa?
- Forzando tutte le ricompense ad essere uguali
- Ignorando completamente le traiettorie non ottimali
- Rimuovendo la funzione di ricompensa
- Modellando la probabilità della traiettoria come esponenziale nella ricompensa totale
- Dopo che l'IRL ha recuperato una funzione di ricompensa, cosa viene generalmente fatto dopo?
- L’apprendimento per rinforzo standard deriva una politica da quella ricompensa
- La ricompensa viene scartata
- Le dimostrazioni vengono eliminate per risparmiare spazio
- L'agente smette di apprendere
- In quale scenario l'IRL è particolarmente utile?
- Quando la ricompensa è già perfettamente conosciuta
- Quando vuoi comprendere e generalizzare gli obiettivi dietro il comportamento degli esperti
- Quando non esistono dati sul comportamento
- Quando devi solo memorizzare azioni fisse
- 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