Test de învățare prin imitație

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. În învățarea prin imitație, cum își dobândește un agent comportamentul?
   • Învățarea unei politici prin copierea demonstrațiilor experților
   • Maximizarea unei recompense create manual prin explorare aleatorie
   • Comprimarea unei rețele neuronale pentru a rula pe dispozitive mici
   • Generarea de imagini din mesaje text
2. Clonarea comportamentală încadrează învățarea prin imitație ca tip de problemă?
   • Grupare nesupravegheată
   • Învățare supravegheată a mapărilor stare-acțiune
   • Generație adversară
   • Modelarea recompensei
3. Ce problemă face ca clonarea comportamentală să eșueze peste secvențe lungi de acțiuni?
   • Supraadaptare la funcția de recompensă
   • Gradienți care dispar în codificator
   • Eroarea compusă din schimbarea distribuției
   • Uitarea catastrofală a vechilor clase
4. Cum abordează algoritmul DAgger această slăbiciune?
   • Prin eliminarea completă a expertului din buclă
   • Prin creșterea factorului de reducere
   • Prin adăugarea de zgomot aleatoriu la toate acțiunile
   • Interogând expertul asupra stărilor, cursantul vizitează și cumulează datele respective
5. De ce este adesea preferată învățarea prin imitație decât învățarea prin întărire pentru sarcini precum conducerea?
   • Demonstrațiile sunt mai ușor de oferit decât o funcție corectă de recompensă
   • Garantează un comportament optim
   • Nu are nevoie niciodată de date
   • Funcționează mai rapid doar la inferență
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