XDQN：通过模仿实现内在可解释的DQN
机器学习
2023-01-10 v1
摘要
尽管深度强化学习（DRL）方法已成功应用于挑战性任务，但其在真实世界运行环境中的应用受限于方法提供解释的能力不足。DRL可解释性范式中有可解释盒子设计范式，即用可解释模型替代DRL方法的内部组成模型，从而使DRL方法“内在”可解释。本文探索该范式并提出XDQN，一种DQN的可解释变体，其使用通过模仿训练的可解释策略模型。XDQN在复杂真实世界运行多智能体问题中接受挑战，其中智能体作为独立学习者解决拥堵问题。具体而言，XDQN在三个多智能体强化学习（MARL）场景中评估，涉及空中交通管理的需求-容量平衡问题。XDQN取得与DQN相近的性能，同时展示了提供全局模型解释与局部决策解释的能力。
引用
@article{arxiv.2301.03043,
title = {XDQN: Inherently Interpretable DQN through Mimicking},
author = {Andreas Kontogiannis and George Vouros},
journal= {arXiv preprint arXiv:2301.03043},
year = {2023}
}