แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการเรียนรู้การเลียนแบบ

ตรวจสอบการโคลนพฤติกรรม, การเลื่อนการแจกแจง, ตัวอย่างจากผู้เชี่ยวชาญ, การรวมข้อมูลของ DAgger และข้อจำกัดนอกเหนือจากสถานะที่สังเกตได้

เส้นทางแนะนำที่เกี่ยวข้องการเรียนรู้แบบเลียนแบบ
คำถาม 1 ของ 8

ในการเรียนรู้แบบเลียนแบบ ตัวแทนได้รับพฤติกรรมของตนได้อย่างไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ในการเรียนรู้แบบเลียนแบบ ตัวแทนได้รับพฤติกรรมของตนได้อย่างไร?
    • เรียนรู้นโยบายโดยการคัดลอกการสาธิตของผู้เชี่ยวชาญ
    • เพิ่มรางวัลที่ออกแบบด้วยมือให้สูงสุดผ่านการสำรวจแบบสุ่ม
    • การบีบอัดโครงข่ายประสาทเทียมเพื่อทำงานบนอุปกรณ์ขนาดเล็ก
    • การสร้างภาพจากข้อความแจ้ง
  2. กรอบพฤติกรรมการเลียนแบบการเรียนรู้เป็นปัญหาประเภทใด
    • การจัดกลุ่มแบบไม่ได้รับการดูแล
    • การเรียนรู้ภายใต้การดูแลของการแมปสถานะต่อการดำเนินการ
    • รุ่นปฏิปักษ์
    • การสร้างรางวัล
  3. ปัญหาอะไรที่ทำให้การโคลนพฤติกรรมล้มเหลวในลำดับการกระทำที่ยาวนาน
    • เหมาะสมกับฟังก์ชันการให้รางวัลมากเกินไป
    • การไล่ระดับสีที่หายไปในตัวเข้ารหัส
    • การรวมข้อผิดพลาดจากการเปลี่ยนแปลงการกระจาย
    • การลืมชั้นเรียนเก่าอย่างหายนะ
  4. อัลกอริธึม DAgger จัดการกับจุดอ่อนนั้นอย่างไร
    • โดยการนำผู้เชี่ยวชาญออกจากวงทั้งหมด
    • โดยการเพิ่มปัจจัยส่วนลด
    • โดยการเพิ่มสัญญาณรบกวนแบบสุ่มให้กับทุกการกระทำ
    • ด้วยการสอบถามผู้เชี่ยวชาญเกี่ยวกับสถานะ ผู้เรียนจึงเข้าชมและรวบรวมข้อมูลนั้นจริงๆ
  5. เหตุใดการเรียนรู้ด้วยการเลียนแบบจึงมักนิยมมากกว่าการเรียนรู้แบบเสริมแรงสำหรับงานต่างๆ เช่น การขับรถ
    • การสาธิตทำได้ง่ายกว่าฟังก์ชันการให้รางวัลที่ถูกต้อง
    • รับประกันพฤติกรรมที่เหมาะสมที่สุด
    • มันไม่ต้องการข้อมูลใด ๆ
    • มันทำงานเร็วขึ้นเมื่อมีการอนุมานเท่านั้น
  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