Kuiz berkaitan panduan · Keras Tahap
Kuiz Pembelajaran Pengukuhan Songsang
Menyemak matlamat pemulihan ganjaran IRL, kekaburan, kebarangkalian trajektori entropi maksimum dan cara dasar diperoleh selepas itu.
soalan 1 daripada 8
Apakah tujuan pembelajaran peneguhan songsang untuk pulih?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah tujuan pembelajaran peneguhan songsang untuk pulih?
- Fungsi ganjaran yang menerangkan tingkah laku pakar yang diperhatikan
- Pengoptimum yang lebih pantas untuk penurunan kecerunan
- Versi mampat demonstrasi
- Set data imej berlabel
- Mengapakah masalah IRL digambarkan sebagai tidak jelas atau samar-samar?
- Kerana demonstrasi sentiasa optimum
- Kerana banyak fungsi ganjaran yang berbeza boleh menerangkan tingkah laku yang sama
- Kerana ganjaran mesti sentiasa negatif
- Kerana ia tidak memerlukan data pakar
- Apakah kelebihan utama memperolehi ganjaran berbanding pengklonan tingkah laku?
- Ia tidak memerlukan demonstrasi
- Ia sentiasa berjalan dalam masa yang tetap
- Ia menangkap matlamat asas, menggeneralisasikan kepada keadaan yang tidak kelihatan
- Ia mengelak daripada menggunakan sebarang polisi
- Bagaimanakah IRL entropi maksimum menyelesaikan kekaburan ganjaran?
- Dengan memaksa semua ganjaran menjadi sama
- Dengan mengabaikan trajektori suboptimum sepenuhnya
- Dengan mengalih keluar fungsi ganjaran
- Dengan memodelkan kebarangkalian trajektori sebagai eksponen dalam jumlah ganjaran
- Selepas IRL memulihkan fungsi ganjaran, apakah yang biasanya dilakukan seterusnya?
- Pembelajaran peneguhan standard memperoleh dasar daripada ganjaran itu
- Pahala dibuang
- Demonstrasi dipadamkan untuk menjimatkan ruang
- Ejen berhenti belajar
- Dalam senario manakah IRL amat berguna?
- Apabila ganjarannya sudah diketahui dengan sempurna
- Apabila anda ingin memahami dan menyamaratakan matlamat di sebalik tingkah laku pakar
- Apabila tiada data tingkah laku wujud
- Apabila anda hanya perlu menghafal tindakan tetap
- 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