Bài kiểm tra học tập củng cố nghịch đảo

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Học tăng cường nghịch đảo nhằm mục đích phục hồi điều gì?
   • Chức năng khen thưởng giải thích hành vi của chuyên gia được quan sát
   • Trình tối ưu hóa nhanh hơn để giảm độ dốc
   • Một phiên bản nén của cuộc biểu tình
   • Tập dữ liệu hình ảnh được gắn nhãn
2. Tại sao vấn đề IRL được mô tả là không rõ ràng hoặc không rõ ràng?
   • Bởi vì việc trình diễn luôn tối ưu một cách hoàn hảo
   • Bởi vì nhiều chức năng khen thưởng khác nhau có thể giải thích cùng một hành vi
   • Vì phần thưởng phải luôn âm
   • Bởi vì nó không yêu cầu dữ liệu chuyên môn
3. Việc khôi phục phần thưởng có lợi thế chính nào so với việc nhân bản hành vi?
   • Nó không cần trình diễn
   • Nó luôn chạy trong thời gian không đổi
   • Nó nắm bắt được mục tiêu cơ bản, khái quát hóa các trạng thái vô hình
   • Nó tránh sử dụng bất kỳ chính sách nào
4. IRL entropy tối đa giải quyết sự mơ hồ về phần thưởng như thế nào?
   • Bằng cách buộc tất cả các phần thưởng phải bằng nhau
   • Bằng cách bỏ qua hoàn toàn quỹ đạo dưới mức tối ưu
   • Bằng cách loại bỏ chức năng phần thưởng
   • Bằng cách lập mô hình xác suất quỹ đạo theo cấp số nhân trong tổng phần thưởng
5. Sau khi IRL khôi phục chức năng khen thưởng, điều gì thường được thực hiện tiếp theo?
   • Học tăng cường tiêu chuẩn bắt nguồn từ chính sách từ phần thưởng đó
   • Phần thưởng bị loại bỏ
   • Các cuộc biểu tình bị xóa để tiết kiệm không gian
   • Đại lý ngừng học hỏi
6. IRL đặc biệt hữu ích trong trường hợp nào?
   • Khi phần thưởng đã được biết đến một cách hoàn hảo
   • Khi bạn muốn hiểu và khái quát hóa các mục tiêu đằng sau hành vi của chuyên gia
   • Khi không có dữ liệu hành vi tồn tại
   • Khi bạn chỉ cần ghi nhớ những hành động cố định
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