将深度强化学习模型蒸馏为可解释的神经模糊系统
机器学习
2022-09-09 v1 人工智能
摘要
深度强化学习使用深度神经网络来编码策略，其在广泛应用中有非常好的表现，但被广泛视为黑盒模型。深度网络的一个更具可解释性的替代方案是神经模糊控制器。遗憾的是，神经模糊控制器常需要大量规则来解决相对简单的任务，使其难以解释。在本工作中，我们提出一种将策略从深度Q网络蒸馏为紧凑神经模糊控制器的算法。这使我们能够通过蒸馏训练紧凑神经模糊控制器来解决它们无法直接解决的任务，结合了深度强化学习的灵活性与紧凑规则库的可解释性。我们在OpenAI Gym的三个知名环境中演示了该算法，仅使用2至6条模糊规则即近乎匹配了DQN智能体的性能。
引用
@article{arxiv.2209.03357,
title = {Distilling Deep RL Models Into Interpretable Neuro-Fuzzy Systems},
author = {Arne Gevaert and Jonathan Peck and Yvan Saeys},
journal= {arXiv preprint arXiv:2209.03357},
year = {2022}
}