通过代理模型解释 Atari 领域中的深度强化学习智能体
机器学习
2021-10-08 v1
摘要
深度强化学习（RL）在游戏内外应用的一大障碍是缺乏可解释性。在本文中，我们描述了一种轻量且有效的方法来推导深度 RL 智能体的解释，并在 Atari 领域中进行评估。我们的方法依赖于将 RL 智能体基于像素的输入转换为可解释的、感知般的输入表示。然后我们训练一个本身可解释的代理模型，以复现目标深度 RL 智能体的行为。我们的实验表明，我们可以学习一个有效的代理模型，在一系列 Atari 游戏上准确近似目标智能体的底层决策过程。
引用
@article{arxiv.2110.03184,
title = {Explaining Deep Reinforcement Learning Agents In The Atari Domain through a Surrogate Model},
author = {Alexander Sieusahai and Matthew Guzdial},
journal= {arXiv preprint arXiv:2110.03184},
year = {2021}
}
备注
9 pages, 3 figures, AIIDE 2021