解释自适应系统中的强化学习决策

摘要

arXiv:2608.14620v1 Announce Type: new Abstract: Reinforcement Learning (RL) has been extensively used in autonomous and self-* systems, but RL policies, especially deep RL ones relying on neural netwo...

and been self systems user explanations Reinforcement Learning but This

2026-08-18 1 阅读约1分钟阅读 Jasmina Gajcin, Juan C. Rosero, Ivana Dusparic

arXiv:2608.14620v1 发布类型：新摘要：强化学习（RL）已广泛应用于自治和自*系统中，但强化学习策略，尤其是依赖神经网络的深度强化学习策略，缺乏透明度且难以理解。这可能会导致用户信任度下降，并使系统验证变得更具挑战性。为了应对这一挑战，本文介绍了使用强化学习替代现实 (EARL) 的解释，这是一个在 RL 设置中生成反事实解释的 Python 库。该库允许用户通过探索假设场景来生成解释，通过比较可能的结果来阐明代理行为。反事实解释在心理学研究中已被证明是直观且用户友好的，但直到最近才在强化学习中进行探索，现有的实现通常仅限于玩具示例和基准。 EARL 支持在现实的基于 RL 的自适应系统中生成反事实解释。为了证明其适用性，我们在 CitiBikes（一种自适应自行车共享系统）的模拟中演示了它的使用，并提供了评估，展示了它在实际应用中的表现。

订阅66必读