Gids-gekoppelde quiz · Middelmatig Niveau

Imitatieleerquiz

Controleert gedragsmatig klonen, distributieverschuiving, expertdemonstraties, DAgger's dataaggregatie en beperkingen buiten waargenomen staten.

Gerelateerde gidspadenImitatie leren
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.

  1. 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
  2. Gedragsklonen beschouwt imitatieleren als welk soort probleem?
    • Onbeheerde clustering
    • Begeleid leren van state-to-action mappings
    • Tegengestelde generatie
    • Beloning vormgeven
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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