Gids-gekoppelde quiz · Moeilijk Niveau
Inverse versterkingsleerquiz
Controleert het beloningshersteldoel van IRL, de dubbelzinnigheid, de kansen op een maximaal entropietraject en hoe daarna een beleid wordt afgeleid.
Vraag 1 van 8
Wat wil inverse bekrachtigingsleren herstellen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat wil inverse bekrachtigingsleren herstellen?
- Een beloningsfunctie die waargenomen expertgedrag verklaart
- Een snellere optimalisatie voor gradiëntafdaling
- Een gecomprimeerde versie van de demonstraties
- Een gelabelde afbeeldingsgegevensset
- Waarom wordt het IRL-probleem beschreven als slecht gesteld of dubbelzinnig?
- Want demonstraties zijn altijd perfect optimaal
- Omdat veel verschillende beloningsfuncties hetzelfde gedrag kunnen verklaren
- Omdat beloningen altijd negatief moeten zijn
- Omdat er geen deskundige gegevens voor nodig zijn
- Welk belangrijk voordeel heeft het terugkrijgen van een beloning ten opzichte van gedragsklonen?
- Er zijn geen demonstraties nodig
- Het loopt altijd in constante tijd
- Het omvat het onderliggende doel en generaliseert naar onzichtbare toestanden
- Het vermijdt het gebruik van welk beleid dan ook
- Hoe lost IRL met maximale entropie beloningsambiguïteit op?
- Door te dwingen dat alle beloningen gelijk zijn
- Door suboptimale trajecten volledig te negeren
- Door de beloningsfunctie te verwijderen
- Door de trajectwaarschijnlijkheid te modelleren als exponentieel in de totale beloning
- Wat wordt er doorgaans daarna gedaan nadat IRL een beloningsfunctie heeft hersteld?
- Standaard bekrachtigingsleren leidt een beleid af van die beloning
- De beloning wordt weggegooid
- De demonstraties worden verwijderd om ruimte te besparen
- De agent stopt met leren
- In welk scenario is IRL vooral nuttig?
- Wanneer de beloning al perfect bekend is
- Wanneer u de doelen achter expertgedrag wilt begrijpen en generaliseren
- Als er geen gedragsgegevens bestaan
- Wanneer u alleen vaste acties hoeft te onthouden
- 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