引導式測驗 · 硬 等級
逆強化學習測驗
檢查 IRL 的獎勵恢復目標、模糊性、最大熵軌跡機率以及隨後如何導出策略。
問題 1 的 8
逆強化學習的目的是恢復什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 逆強化學習的目的是恢復什麼?
- 解釋觀察到的專家行為的獎勵函數
- 更快的梯度下降優化器
- 演示的壓縮版本
- 帶有標籤的圖像資料集
- 為什麼 IRL 問題被描述為不適定或不明確的?
- 因為演示總是完美的最佳結果
- 因為許多不同的獎勵函數可以解釋相同的行為
- 因為獎勵一定總是負數
- 因為它不需要專家數據
- 與行為複製相比,恢復獎勵有什麼關鍵優勢?
- 不需要演示
- 它總是以恆定的時間運行
- 它抓住了根本目標,並推廣到未見過的狀態
- 它避免使用任何策略
- 最大熵 IRL 如何解決獎勵模糊性?
- 強制所有獎勵均等
- 完全忽略次優軌跡
- 透過刪除獎勵函數
- 透過將軌跡機率建模為總獎勵的指數
- IRL 恢復獎勵函數後,接下來通常會做什麼?
- 標準強化學習從獎勵中得出策略
- 獎勵被丟棄
- 為了節省空間,刪除了演示
- 代理停止學習
- IRL 在什麼場景下特別有用?
- 當獎勵已經完全已知時
- 當您想要理解並概括專家行為背後的目標時
- 當不存在行為數據時
- 當你只需要記住固定動作時
- 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