الٹا کمک سیکھنے کا کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. الٹا کمک سیکھنے کا مقصد کیا بحال کرنا ہے؟
   • ایک انعامی فنکشن جو مشاہدہ شدہ ماہر کے رویے کی وضاحت کرتا ہے۔
   • تدریجی نزول کے لیے ایک تیز تر اصلاح کار
   • مظاہروں کا ایک کمپریسڈ ورژن
   • ایک لیبل شدہ تصویری ڈیٹاسیٹ
2. IRL مسئلہ کو غیر متزلزل یا مبہم کیوں بتایا گیا ہے؟
   • کیونکہ مظاہرے ہمیشہ بہترین ہوتے ہیں۔
   • کیونکہ بہت سے مختلف انعامی افعال ایک ہی رویے کی وضاحت کر سکتے ہیں۔
   • کیونکہ انعامات ہمیشہ منفی ہونے چاہئیں
   • کیونکہ اس کے لیے کسی ماہر ڈیٹا کی ضرورت نہیں ہے۔
3. رویے کی کلوننگ کے مقابلے میں انعام کی وصولی کا کیا اہم فائدہ ہے؟
   • اسے کسی مظاہرے کی ضرورت نہیں۔
   • یہ ہمیشہ مستقل وقت میں چلتا ہے۔
   • یہ بنیادی مقصد کو حاصل کرتا ہے، نادیدہ ریاستوں کو عام کرتا ہے۔
   • یہ کسی بھی پالیسی کو استعمال کرنے سے گریز کرتا ہے۔
4. زیادہ سے زیادہ اینٹروپی IRL انعام کے ابہام کو کیسے حل کرتا ہے؟
   • تمام انعامات کو برابر کرنے پر مجبور کر کے
   • suboptimal trajectories کو مکمل طور پر نظر انداز کر کے
   • ریوارڈ فنکشن کو ہٹا کر
   • رفتار کے امکان کو مجموعی انعام میں کفایتی کے طور پر ماڈلنگ کرکے
5. IRL کے انعامی فنکشن کو بحال کرنے کے بعد، عام طور پر آگے کیا کیا جاتا ہے؟
   • معیاری کمک سیکھنے کی پالیسی اس انعام سے حاصل ہوتی ہے۔
   • ثواب ضائع ہو جاتا ہے۔
   • جگہ بچانے کے لیے مظاہروں کو حذف کر دیا جاتا ہے۔
   • ایجنٹ سیکھنا چھوڑ دیتا ہے۔
6. کس منظر نامے میں IRL خاص طور پر مفید ہے؟
   • جب ثواب پہلے ہی سے بالکل معلوم ہو جائے۔
   • جب آپ ماہرانہ رویے کے پیچھے مقاصد کو سمجھنا اور عام کرنا چاہتے ہیں۔
   • جب رویے کا کوئی ڈیٹا موجود نہیں ہے۔
   • جب آپ کو صرف فکسڈ اعمال کو حفظ کرنے کی ضرورت ہو۔
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