แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการเรียนรู้การเสริมแรงผกผัน

ตรวจสอบเป้าหมายการกู้คืนรางวัลของ IRL, ความกำกวม, ความน่าจะเป็นของวิถีเอนโทรปีสูงสุด และวิธีการที่นโยบายถูกอนุพันธ์ในเวลาต่อมา

เส้นทางแนะนำที่เกี่ยวข้องการเรียนรู้การเสริมแรงผกผัน
คำถาม 1 ของ 8

การเรียนรู้การเสริมกำลังแบบผกผันมีจุดมุ่งหมายเพื่อฟื้นฟูอะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การเรียนรู้การเสริมกำลังแบบผกผันมีจุดมุ่งหมายเพื่อฟื้นฟูอะไร
    • ฟังก์ชันการให้รางวัลที่อธิบายพฤติกรรมของผู้เชี่ยวชาญที่สังเกตได้
    • เครื่องมือเพิ่มประสิทธิภาพที่เร็วขึ้นสำหรับการไล่ระดับลง
    • การสาธิตเวอร์ชันบีบอัด
    • ชุดข้อมูลรูปภาพที่มีป้ายกำกับ
  2. เหตุใดปัญหา IRL จึงถูกอธิบายว่ามีการวางท่าไม่ดีหรือคลุมเครือ
    • เพราะการสาธิตมักจะเหมาะสมที่สุดเสมอ
    • เพราะฟังก์ชั่นการให้รางวัลที่แตกต่างกันมากมายสามารถอธิบายพฤติกรรมเดียวกันได้
    • เพราะผลตอบแทนจะต้องเป็นลบเสมอ
    • เพราะมันไม่ต้องการข้อมูลจากผู้เชี่ยวชาญ
  3. การได้รับรางวัลกลับคืนมามีข้อได้เปรียบเหนือการโคลนนิ่งตามพฤติกรรมอย่างไร
    • มันไม่จำเป็นต้องสาธิต
    • มันดำเนินไปตามเวลาคงที่เสมอ
    • มันจับเป้าหมายที่ซ่อนอยู่โดยสรุปถึงสภาวะที่มองไม่เห็น
    • หลีกเลี่ยงการใช้นโยบายใดๆ
  4. IRL เอนโทรปีสูงสุดจะแก้ไขความคลุมเครือของรางวัลได้อย่างไร
    • โดยบังคับให้รางวัลทั้งหมดเท่ากัน
    • โดยละเลยวิถีที่ต่ำกว่ามาตรฐานโดยสิ้นเชิง
    • โดยการลบฟังก์ชันรางวัลออก
    • โดยการสร้างแบบจำลองความน่าจะเป็นของวิถีเป็นเลขชี้กำลังของรางวัลทั้งหมด
  5. หลังจากที่ IRL กู้คืนฟังก์ชันการให้รางวัลแล้ว โดยทั่วไปจะต้องทำอย่างไรต่อไป
    • การเรียนรู้การเสริมกำลังแบบมาตรฐานได้รับนโยบายจากรางวัลนั้น
    • รางวัลจะถูกละทิ้ง
    • การสาธิตจะถูกลบออกเพื่อประหยัดพื้นที่
    • ตัวแทนหยุดการเรียนรู้
  6. IRL มีประโยชน์อย่างยิ่งในสถานการณ์ใด
    • เมื่อทราบผลบุญเรียบร้อยแล้ว
    • เมื่อคุณต้องการทำความเข้าใจและสรุปเป้าหมายเบื้องหลังพฤติกรรมของผู้เชี่ยวชาญ
    • เมื่อไม่มีข้อมูลพฤติกรรมอยู่
    • เมื่อคุณต้องการเพียงจดจำการกระทำที่แก้ไขแล้ว
  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