แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบการเรียนรู้การเสริมแรงผกผัน
ตรวจสอบเป้าหมายการกู้คืนรางวัลของ IRL, ความกำกวม, ความน่าจะเป็นของวิถีเอนโทรปีสูงสุด และวิธีการที่นโยบายถูกอนุพันธ์ในเวลาต่อมา
คำถาม 1 ของ 8
การเรียนรู้การเสริมกำลังแบบผกผันมีจุดมุ่งหมายเพื่อฟื้นฟูอะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การเรียนรู้การเสริมกำลังแบบผกผันมีจุดมุ่งหมายเพื่อฟื้นฟูอะไร
- ฟังก์ชันการให้รางวัลที่อธิบายพฤติกรรมของผู้เชี่ยวชาญที่สังเกตได้
- เครื่องมือเพิ่มประสิทธิภาพที่เร็วขึ้นสำหรับการไล่ระดับลง
- การสาธิตเวอร์ชันบีบอัด
- ชุดข้อมูลรูปภาพที่มีป้ายกำกับ
- เหตุใดปัญหา IRL จึงถูกอธิบายว่ามีการวางท่าไม่ดีหรือคลุมเครือ
- เพราะการสาธิตมักจะเหมาะสมที่สุดเสมอ
- เพราะฟังก์ชั่นการให้รางวัลที่แตกต่างกันมากมายสามารถอธิบายพฤติกรรมเดียวกันได้
- เพราะผลตอบแทนจะต้องเป็นลบเสมอ
- เพราะมันไม่ต้องการข้อมูลจากผู้เชี่ยวชาญ
- การได้รับรางวัลกลับคืนมามีข้อได้เปรียบเหนือการโคลนนิ่งตามพฤติกรรมอย่างไร
- มันไม่จำเป็นต้องสาธิต
- มันดำเนินไปตามเวลาคงที่เสมอ
- มันจับเป้าหมายที่ซ่อนอยู่โดยสรุปถึงสภาวะที่มองไม่เห็น
- หลีกเลี่ยงการใช้นโยบายใดๆ
- IRL เอนโทรปีสูงสุดจะแก้ไขความคลุมเครือของรางวัลได้อย่างไร
- โดยบังคับให้รางวัลทั้งหมดเท่ากัน
- โดยละเลยวิถีที่ต่ำกว่ามาตรฐานโดยสิ้นเชิง
- โดยการลบฟังก์ชันรางวัลออก
- โดยการสร้างแบบจำลองความน่าจะเป็นของวิถีเป็นเลขชี้กำลังของรางวัลทั้งหมด
- หลังจากที่ IRL กู้คืนฟังก์ชันการให้รางวัลแล้ว โดยทั่วไปจะต้องทำอย่างไรต่อไป
- การเรียนรู้การเสริมกำลังแบบมาตรฐานได้รับนโยบายจากรางวัลนั้น
- รางวัลจะถูกละทิ้ง
- การสาธิตจะถูกลบออกเพื่อประหยัดพื้นที่
- ตัวแทนหยุดการเรียนรู้
- IRL มีประโยชน์อย่างยิ่งในสถานการณ์ใด
- เมื่อทราบผลบุญเรียบร้อยแล้ว
- เมื่อคุณต้องการทำความเข้าใจและสรุปเป้าหมายเบื้องหลังพฤติกรรมของผู้เชี่ยวชาญ
- เมื่อไม่มีข้อมูลพฤติกรรมอยู่
- เมื่อคุณต้องการเพียงจดจำการกระทำที่แก้ไขแล้ว
- 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