反事実軌道による強化学習ポリシーの説明【JST・京大機械翻訳】

Frost Julius; Watkins Olivia; Weiner Eric; Abbeel Pieter; Darrell Trevor; Plummer Bryan; Saenko Kate

プレプリント

J-GLOBAL ID：202202219446531413 整理番号：22P0281622

反事実軌道による強化学習ポリシーの説明【JST・京大機械翻訳】

Explaining Reinforcement Learning Policies through Counterfactual Trajectories

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年01月28日プレプリントサーバーでの情報更新日： 2022年03月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

実世界のタスクのためにRLエージェントを使用するかを確かに決定するために,人間開発者は,エージェントが試験時間においてうまく機能することを検証する必要がある。いくつかの政策解釈方法は,エージェントロールアウトの集合における政策の意思決定を捕えることによって,これを容易にする。しかし,訓練時間挙動の最も有益な軌跡でさえ,分布からエージェントの挙動にはほとんど洞察を与えない。対照的に,著者らの方法は,エージェントが,より広い軌跡分布にわたってエージェントの挙動を示すことによって,分布シフトの下でどのように機能するかを伝える。これらの軌跡を,エージェントをより多様な非Se状態へ導いて,エージェントの挙動を示すことにより,これらの軌跡を生成した。ユーザ研究において,提案手法は,2つのエージェント検証タスクの1つに関して,ユーザがベースライン法よりも良いスコアを評価できることを示した。【JST・京大機械翻訳】

, , , , ,

人工知能

, ,

前のページに戻る