Richting interpreteerbaar bekrachtingsleren (FWOAL937)

Reinforcement learning (RL) is een techniek voor machinaal leren die moeilijke opeenvolgende beslissingsproblemen en besturingsproblemen kan verwerken. In de afgelopen jaren heeft de ontwikkeling van krachtige RL-technieken ervoor gezorgd dat RL een onmisbare component in de industrie zal worden (bijv. Productie, elektrische energiesystemen en netbeheer). Bovendien betekent op RL gebaseerde oplossingen voor toepassingen zoals (semi-) autonome auto's, sociaal ondersteunende robotica, huishoudelijk opslagbeheer voor zonne-energie ook dat RL zijn weg zal vinden in de dagelijkse menselijke activiteiten. Recente successen
net als AlphaGo, bewijs dat RL's tijd is gekomen.
Elke krachtige RL-techniek is echter gebouwd rond complexe functiebenaderingsprocedures die dit raamwerk transformeren in een black box-benadering. Dit kan de toepassing ervan in toekomstige kritieke domeinen verhinderen, gezien de aanstaande Europese Algemene Verordening Gegevensbescherming (AVG). Ik vind het een cruciaal moment om onderzoeksinspanningen te verschuiven naar een verklaarbaar RL-raamwerk. Ik geloof dat het een cruciaal moment is om onderzoeksinspanningen te verschuiven naar een verklaarbaar RL-raamwerk. Dit wordt gerealiseerd door het leerproces open te stellen voor de gebruiker, door uit te leggen wat er is geweest
geleerd, hoe het leren vorderde en hoe de kennis werd toegepast. De gevolgde aanpak is om bestaande versterkingstechnieken te versterken, zodat er geen verlies van leervermogen wordt toegebracht.

Trefwoorden:bekrachtingsleren

Disciplines:Andere computer ingenieurswetenschappen, informatietechnologie en mathematische ingenieurswetenschappen niet elders geclassificeerd