Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Khảo sát về Học tăng cường có thể giải thích: Các khái niệm, thuật toán, thách thức
Created by
Haebom
Tác giả
Yunpeng Qing, Shunyu Liu, Jie Song, Huiqiong Wang, Mingli Song
Phác thảo
Bài báo này cung cấp một đánh giá toàn diện về học tăng cường có thể giải thích (XRL) để hiểu cách thức hoạt động bên trong của học tăng cường (RL), đặc biệt là học tăng cường sâu (DRL) và để tăng cường độ tin cậy của tác nhân. Để giải quyết vấn đề hộp đen của các tác nhân DRL dựa trên mạng nơ-ron sâu, chúng tôi đề xuất một phân loại mới phân loại các tác phẩm XRL hiện có thành các phương pháp mô hình, phần thưởng, trạng thái và mô tả nhiệm vụ. Chúng tôi cũng xem xét và làm nổi bật các phương pháp RL sử dụng kiến thức của con người, thường bị bỏ qua trong lĩnh vực XRL, để cải thiện hiệu quả và hiệu suất học tập của tác nhân. Cuối cùng, chúng tôi thảo luận về những thách thức và cơ hội trong lĩnh vực XRL và kêu gọi nghiên cứu trong tương lai về các giải pháp XRL hiệu quả hơn. Mã nguồn mở liên quan có sẵn tại https://github.com/Plankson/awesome-explainable-reinforcement-learning .
Chúng tôi phân loại một cách có hệ thống và đánh giá toàn diện các nghiên cứu hiện có trong lĩnh vực XRL để trình bày rõ ràng tình trạng hiện tại của nghiên cứu XRL.
◦
Chúng tôi trình bày tầm quan trọng của phương pháp RL tận dụng kiến thức của con người trong lĩnh vực XRL.
◦
Chúng tôi đề xuất các hướng nghiên cứu trong tương lai trong lĩnh vực XRL và hỗ trợ nghiên cứu tiếp theo bằng cách cung cấp mã nguồn mở liên quan.
•
Limitations:
◦
Mặc dù bài viết này cung cấp đánh giá toàn diện về XRL, nhưng có thể thiếu phân tích chuyên sâu về các phương pháp cụ thể.
◦
Mặc dù một hệ thống phân loại mới đã được đề xuất, nhưng nó khó có thể bao hàm đầy đủ tất cả các nghiên cứu hiện có.
◦
Có thể còn thiếu những cuộc thảo luận cụ thể về các ứng dụng thực tế của XRL.
