Ters Takviye Öğrenme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Ters takviyeli öğrenme neyi iyileştirmeyi amaçlıyor?
   • Gözlemlenen uzman davranışını açıklayan bir ödül fonksiyonu
   • Degrade iniş için daha hızlı bir optimize edici
   • Gösterilerin sıkıştırılmış versiyonu
   • Etiketli bir görüntü veri kümesi
2. IRL sorunu neden hatalı veya belirsiz olarak tanımlanıyor?
   • Çünkü gösteriler her zaman mükemmel derecede optimaldir
   • Çünkü pek çok farklı ödül fonksiyonu aynı davranışı açıklayabilmektedir.
   • Çünkü ödüller her zaman olumsuz olmalıdır
   • Çünkü uzman verisi gerektirmez
3. Bir ödülü geri kazanmanın davranışsal klonlamaya göre hangi önemli avantajı vardır?
   • Gösterilere ihtiyacı yok
   • Her zaman sabit zamanda çalışır
   • Görünmeyen durumlara genelleme yaparak temel amacı yakalar
   • Herhangi bir politikayı kullanmaktan kaçınır
4. Maksimum entropi IRL, ödül belirsizliğini nasıl çözer?
   • Tüm ödüllerin eşit olmasını zorlayarak
   • İdeal olmayan yörüngeleri tamamen göz ardı ederek
   • Ödül fonksiyonunu kaldırarak
   • Yörünge olasılığını toplam ödülde üstel olarak modelleyerek
5. IRL bir ödül işlevini kurtardıktan sonra genellikle bundan sonra ne yapılır?
   • Standart takviyeli öğrenme bu ödülden bir politika çıkarır
   • Ödül iptal edildi
   • Gösterimler yerden tasarruf etmek için silindi
   • Temsilci öğrenmeyi durdurur
6. IRL hangi senaryoda özellikle faydalıdır?
   • Ödül zaten mükemmel bir şekilde bilindiğinde
   • Uzman davranışının ardındaki hedefleri anlamak ve genelleştirmek istediğinizde
   • Hiçbir davranış verisi bulunmadığında
   • Yalnızca sabit eylemleri ezberlemeniz gerektiğinde
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