.png){kind=icon}
返回
Global Explanations for Imitation Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-11402-0_25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）智能体通过学习人类行为是一个已知的AI研究领域，因为它可以在自动驾驶等安全关键领域实现类人决策。这些智能体的行为可解释性是一个合理要求，以便用户能够理解驱动AI系统决策的原因。全局解释有助于用户理解驱动AI模型的因素。本文探讨了模仿学习中可解释性的现状。模仿学习算法属于两类之一：行为克隆或逆强化学习。我们确定了这两类算法在解释方面的差异。我们的分析表明，逆强化学习的奖励函数适合对模型进行全局解释。行为克隆较少使用全局解释，因为其没有奖励函数。
Keyword:
Imitation Learning
Interpretability
XAI
期刊
A
IF:
0
论文数:
26
被引数:
0
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Analyzing sequential activity and travel decisions with interpretable deep inverse reinforcement learning分析序列活动与出行决策的具有可解释性的深度逆强化学习
PREAI
分享收藏Unlocking the Black Box: Explainable Artificial Intelligence (XAI) for Trust and Transparency in AI Systems解锁“黑箱”：用于提升人工智能系统可信度与透明度的可解释人工智能（XAI）
OAAI
OAAI分享收藏
查看更多内容