Test legat de ghid · Greu Nivel
Test de învățare cu întărire inversă
Verifică obiectivul de recompensă-recuperare a IRL, ambiguitatea, probabilitățile de traiectorie maximă a entropiei și modul în care o politică este derivată ulterior.
Întrebare 1 de 8
Ce urmărește să recupereze învățarea prin întărire inversă?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- Ce urmărește să recupereze învățarea prin întărire inversă?
- O funcție de recompensă care explică comportamentul observat al experților
- Un optimizator mai rapid pentru coborârea în gradient
- O versiune comprimată a demonstrațiilor
- Un set de date de imagine etichetat
- De ce problema IRL este descrisă ca fiind prost pusă sau ambiguă?
- Pentru că demonstrațiile sunt întotdeauna perfect optime
- Pentru că multe funcții diferite de recompensă pot explica același comportament
- Pentru că recompensele trebuie să fie întotdeauna negative
- Pentru că nu necesită date de experți
- Ce avantaj cheie are recuperarea unei recompense față de clonarea comportamentală?
- Nu are nevoie de demonstrații
- Merge întotdeauna în timp constant
- Captează scopul de bază, generalizându-se la stări nevăzute
- Evită utilizarea oricărei politici
- Cum rezolvă IRL-ul de entropie maximă ambiguitatea recompensei?
- Forțând toate recompensele să fie egale
- Ignorând complet traiectorii suboptimale
- Prin eliminarea funcției de recompensă
- Prin modelarea probabilității traiectoriei ca exponențială în recompensa totală
- După ce IRL recuperează o funcție de recompensă, ce se face de obicei în continuare?
- Învățarea prin întărire standard derivă o politică din această recompensă
- Recompensa este aruncată
- Demonstrațiile sunt șterse pentru a economisi spațiu
- Agentul nu mai învață
- În ce scenariu este IRL deosebit de util?
- Când recompensa este deja perfect cunoscută
- Când vrei să înțelegi și să generalizezi obiectivele din spatele comportamentului experților
- Când nu există date de comportament
- Când trebuie doar să memorezi acțiuni fixe
- 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