แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการเรียนรู้การเลียนแบบ
ตรวจสอบการโคลนพฤติกรรม, การเลื่อนการแจกแจง, ตัวอย่างจากผู้เชี่ยวชาญ, การรวมข้อมูลของ DAgger และข้อจำกัดนอกเหนือจากสถานะที่สังเกตได้
คำถาม 1 ของ 8
ในการเรียนรู้แบบเลียนแบบ ตัวแทนได้รับพฤติกรรมของตนได้อย่างไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ในการเรียนรู้แบบเลียนแบบ ตัวแทนได้รับพฤติกรรมของตนได้อย่างไร?
- เรียนรู้นโยบายโดยการคัดลอกการสาธิตของผู้เชี่ยวชาญ
- เพิ่มรางวัลที่ออกแบบด้วยมือให้สูงสุดผ่านการสำรวจแบบสุ่ม
- การบีบอัดโครงข่ายประสาทเทียมเพื่อทำงานบนอุปกรณ์ขนาดเล็ก
- การสร้างภาพจากข้อความแจ้ง
- กรอบพฤติกรรมการเลียนแบบการเรียนรู้เป็นปัญหาประเภทใด
- การจัดกลุ่มแบบไม่ได้รับการดูแล
- การเรียนรู้ภายใต้การดูแลของการแมปสถานะต่อการดำเนินการ
- รุ่นปฏิปักษ์
- การสร้างรางวัล
- ปัญหาอะไรที่ทำให้การโคลนพฤติกรรมล้มเหลวในลำดับการกระทำที่ยาวนาน
- เหมาะสมกับฟังก์ชันการให้รางวัลมากเกินไป
- การไล่ระดับสีที่หายไปในตัวเข้ารหัส
- การรวมข้อผิดพลาดจากการเปลี่ยนแปลงการกระจาย
- การลืมชั้นเรียนเก่าอย่างหายนะ
- อัลกอริธึม DAgger จัดการกับจุดอ่อนนั้นอย่างไร
- โดยการนำผู้เชี่ยวชาญออกจากวงทั้งหมด
- โดยการเพิ่มปัจจัยส่วนลด
- โดยการเพิ่มสัญญาณรบกวนแบบสุ่มให้กับทุกการกระทำ
- ด้วยการสอบถามผู้เชี่ยวชาญเกี่ยวกับสถานะ ผู้เรียนจึงเข้าชมและรวบรวมข้อมูลนั้นจริงๆ
- เหตุใดการเรียนรู้ด้วยการเลียนแบบจึงมักนิยมมากกว่าการเรียนรู้แบบเสริมแรงสำหรับงานต่างๆ เช่น การขับรถ
- การสาธิตทำได้ง่ายกว่าฟังก์ชันการให้รางวัลที่ถูกต้อง
- รับประกันพฤติกรรมที่เหมาะสมที่สุด
- มันไม่ต้องการข้อมูลใด ๆ
- มันทำงานเร็วขึ้นเมื่อมีการอนุมานเท่านั้น
- 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
- 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
- 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