A Survey on Explainable Reinforcement Learning: Concepts, Algorithms, Challenges
Created by
Haebom
저자
Yunpeng Qing, Shunyu Liu, Jie Song, Huiqiong Wang, Mingli Song
개요
본 논문은 강화학습(RL) 특히 심층 강화학습(DRL) 에이전트의 내부 동작을 이해하고 신뢰성을 높이기 위한 설명 가능한 강화학습(XRL)에 대한 종합적인 검토를 제공합니다. 심층 신경망 기반 DRL 에이전트의 블랙박스 문제를 해결하기 위해, 기존의 XRL 연구들을 모델, 보상, 상태, 과제 설명 방법으로 분류하는 새로운 분류 체계를 제시합니다. 또한, XRL 분야에서 종종 간과되는 인간 지식을 활용하여 에이전트의 학습 효율과 성능을 향상시키는 RL 방법들을 검토하고 강조합니다. 마지막으로 XRL 분야의 과제와 기회를 논의하며, 더 효과적인 XRL 솔루션에 대한 미래 연구를 촉구합니다. 관련 오픈소스 코드는 https://github.com/Plankson/awesome-explainable-reinforcement-learning 에서 제공합니다.
