सुदृढीकरण अधिगम (RL) ने जटिल निर्णय-निर्माण समस्याओं को हल करने में उल्लेखनीय सफलता प्राप्त की है, लेकिन इसकी निर्णय-निर्माण प्रक्रियाओं की अस्पष्टता महत्वपूर्ण क्षेत्रों में इसके अपनाने में बाधा डालती है। मौजूदा व्याख्यात्मक AI (xAI) दृष्टिकोण अक्सर RL एजेंटों के लिए सार्थक स्पष्टीकरण प्रदान करने में विफल रहते हैं, खासकर इसलिए क्योंकि वे मानवीय तर्क की विपरीत प्रकृति ("आपने किसी अन्य क्रिया के बजाय इस क्रिया को क्यों चुना?" जैसे प्रश्नों का उत्तर देते हुए) को अनदेखा कर देते हैं। इस कमी को पूरा करने के लिए, यह शोधपत्र $\textbf{VisionMask}$ का प्रस्ताव करता है, जो विपरीत अधिगम के लिए एक नवीन ढाँचा है जो एजेंटों को प्रशिक्षित करने के लिए स्व-पर्यवेक्षित विधियों का उपयोग करता है ताकि वे किसी दिए गए अवस्था में एजेंट द्वारा चुनी गई क्रिया की वैकल्पिक क्रियाओं के साथ स्पष्ट रूप से तुलना करके स्पष्टीकरण उत्पन्न कर सकें। विभिन्न RL वातावरणों में किए गए प्रयोग, निष्ठा, सुदृढ़ता और जटिलता के संदर्भ में VisionMask की प्रभावकारिता को प्रदर्शित करते हैं। परिणाम दर्शाते हैं कि VisionMask सटीकता और निष्ठा बनाए रखते हुए एजेंट के व्यवहार की मानवीय समझ को महत्वपूर्ण रूप से बढ़ाता है। हम ऐसे उदाहरण भी प्रस्तुत करते हैं जो दर्शाते हैं कि VisionMask का उपयोग प्रति-अनुभवजन्य विश्लेषण के लिए कैसे किया जा सकता है। यह शोध आरएल और एक्सएआई के बीच की खाई को पाटता है, तथा अधिक सुरक्षित और अधिक व्याख्या योग्य आरएल प्रणालियों का मार्ग प्रशस्त करता है।
