arXiv cs.AI· L\'eo Sauli\`eres·· 11 小时前AI 评分31
可解释强化学习综述：目标、方法与需求
A Survey of Explainable Reinforcement Learning: Targets, Methods and Needs
AI 导读
一篇 69 页综述提出基于“What”与“How”两个问题的可解释强化学习（XRL）分类法，前者关注方法解释的目标，后者关注解释的提供方式，并据此回顾了超过 250 篇论文。文章还梳理了与 XRL 相近、值得社区关注的领域，并指出该领域尚待满足的需求。
正文 · AI 翻译
摘要：近期人工智能（AI）模型的成功伴随着其内部机制的不透明性，这主要归因于深度神经网络的使用。为了理解这些内部机制并解释这些 AI 模型的输出，人们提出了一系列方法，统归于可解释人工智能（XAI）领域之下。本文聚焦于 XAI 的一个子领域，称为可解释强化学习（XRL），其目标是解释通过强化学习习得策略的智能体的行为。我们基于“What”和“How”两个问题提出了一种直观的分类法。第一个问题关注方法所解释的目标，第二个问题则涉及提供解释的方式。我们利用这一分类法对 250 多篇论文进行了最新综述。此外，我们还介绍了一组与 XRL 相近的领域，我们认为这些领域应引起社区的关注。最后，我们指出了 XRL 领域的一些需求。
| 评论： | 69 页，19 幅图 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2507.12599 [cs.AI] |
| （或本版本的 arXiv:2507.12599v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2507.12599 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Journal of Artificial Intelligence Research 87, Article 16 (October 2026) |
| 相关 DOI： | https://doi.org/10.1613/jair.1.20550
链接到相关资源的 DOI |
提交历史
来自：Léo Saulières [查看电子邮件]
[v1]
2025 年 7 月 16 日星期三 19:41:41 UTC（8,336 KB）
[v2]
2026 年 10 月 15 日星期四 14:48:40 UTC（5,024 KB）
来源：arXiv cs.AI · arxiv.org