深度强化学习中的可解释性：现有方法与应用综述
机器学习
2023-03-09 v3 人工智能
摘要
自2015年首次提出以来，深度强化学习（DRL）方案的使用急剧增加。尽管在许多不同应用中不断被发现用途，它们仍存在缺乏可解释性的问题。这导致研究人员和公众对DRL解决方案的理解与信任缺失。为解决此问题，可解释人工智能（XAI）领域应运而生。其包含多种旨在打开DRL黑箱的方法，从可解释的符号决策树（DT）到Shapley值等数值方法。本综述考察了正在使用的方法及其对应的应用，以此识别哪些模型最适合各应用，或某种方法是否未被充分利用。
引用
@article{arxiv.2207.01911,
title = {Explainability in Deep Reinforcement Learning, a Review into Current Methods and Applications},
author = {Thomas Hickling and Abdelhafid Zenati and Nabil Aouf and Phillippa Spencer},
journal= {arXiv preprint arXiv:2207.01911},
year = {2023}
}
备注
30 pages, 6 figures, Paper Review