机构名称：
¥ 3.0
可解释的强化学习（XRL）是可解释的机器学习的新兴子场，近年来引起了相当大的关注。XRL的目标是阐明在顺序决策设置中加强学习（RL）代理的决策过程。配备了这些信息，从业人员可以更好地理解有关RL代理（尤其是在现实世界中部署的代理人）的重要问题，例如代理商将要做什么和原因。尽管兴趣提高，但在组织众多论文的文献中仍存在差距，尤其是以某种方式集中了问题的决策性质。在本调查中，我们提出了一种新的分类法，以组织优先级RL设置的XRL文献。我们提出了三个高级类别：特征重要性，学习过程和马尔可夫决策过程以及政策级别。我们根据这种分类法概述技术，强调了未来工作的挑战和机会。我们通过利用这些差距来激励和概述未来工作的路线图。
可解释的强化学习：调查和比较审查
主要关键词
相关文件推荐
