Gids-gekoppelde quiz · Middelmatig Niveau
Imitatieleerquiz
Controleert gedragsmatig klonen, distributieverschuiving, expertdemonstraties, DAgger's dataaggregatie en beperkingen buiten waargenomen staten.
Vraag 1 van 8
In imitation learning, how does an agent acquire its behavior?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- In imitation learning, how does an agent acquire its behavior?
- Een beleid leren door demonstraties van deskundigen te kopiëren
- Maximaliseren van een met de hand ontworpen beloning door middel van willekeurige verkenning
- Het comprimeren van een neuraal netwerk zodat het op kleine apparaten kan worden uitgevoerd
- Afbeeldingen genereren op basis van tekstprompts
- Gedragsklonen beschouwt imitatieleren als welk soort probleem?
- Onbeheerde clustering
- Begeleid leren van state-to-action mappings
- Tegengestelde generatie
- Beloning vormgeven
- Welk probleem zorgt ervoor dat gedragsklonen mislukt tijdens lange actiereeksen?
- Overfitting voor de beloningsfunctie
- Verdwijnende gradiënten in de encoder
- Samengestelde fout door distributieverschuiving
- Catastrofaal vergeten van oude klassen
- Hoe pakt het DAgger-algoritme deze zwakte aan?
- Door de expert volledig uit de cirkel te halen
- Door de kortingsfactor te verhogen
- Door willekeurige ruis aan alle acties toe te voegen
- Door de expert te ondervragen over de toestanden die de leerling daadwerkelijk bezoekt en verzamelt, verzamelt hij die gegevens
- Waarom wordt bij taken als autorijden vaak de voorkeur gegeven aan imitatieleren boven versterkend leren?
- Demonstraties zijn gemakkelijker te geven dan een correcte beloningsfunctie
- Het garandeert optimaal gedrag
- Er zijn nooit gegevens nodig
- Alleen bij gevolgtrekking werkt het sneller
- 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