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.

Laluan panduan yang berkaitanPembelajaran Pengukuhan Songsang
soalan 1 daripada 8

Apakah tujuan pembelajaran peneguhan songsang untuk pulih?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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