Maswali Inverse Reinforcement Learning

Majibu na maelezo huonekana unapojibu maswali.

1. Mafunzo ya uimarishaji kinyume yanalenga kurejesha nini?
   • Utendakazi wa zawadi unaoelezea tabia ya mtaalamu aliyeangaliwa
   • Kiboreshaji cha haraka cha mteremko wa gradient
   • Toleo lililobanwa la maonyesho
   • Seti ya data ya picha iliyo na lebo
2. Kwa nini shida ya IRL inaelezewa kama isiyoeleweka au isiyoeleweka?
   • Kwa sababu maandamano daima ni bora kabisa
   • Kwa sababu kazi nyingi tofauti za malipo zinaweza kueleza tabia sawa
   • Kwa sababu tuzo lazima ziwe hasi kila wakati
   • Kwa sababu hauitaji data ya kitaalam
3. Je, ni faida gani kuu ambayo kurejesha thawabu kuna faida zaidi ya kuiga tabia?
   • Haihitaji maandamano
   • Daima huendesha kwa wakati usiobadilika
   • Inanasa lengo la msingi, kwa ujumla kwa nchi zisizoonekana
   • Inaepuka kutumia sera yoyote
4. Je, IRL ya kiwango cha juu cha entropy hutatua vipi utata wa malipo?
   • Kwa kulazimisha thawabu zote ziwe sawa
   • Kwa kupuuza trajectories suboptimal kabisa
   • Kwa kuondoa kipengele cha malipo
   • Kwa kuiga mfano wa uwezekano wa trajectory kama mkubwa katika jumla ya zawadi
5. Baada ya IRL kurejesha utendaji wa zawadi, kwa kawaida ni nini kinachofuata?
   • Mafunzo ya kawaida ya uimarishaji hupata sera kutoka kwa zawadi hiyo
   • Zawadi inatupwa
   • Maonyesho yanafutwa ili kuokoa nafasi
   • Wakala anaacha kujifunza
6. Ni katika hali gani IRL ni muhimu sana?
   • Wakati thawabu tayari inajulikana kikamilifu
   • Unapotaka kuelewa na kujumlisha malengo ya tabia ya mtaalam
   • Wakati hakuna data ya tabia iliyopo
   • Wakati unahitaji tu kukariri vitendo vilivyowekwa
7. 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
8. 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