이 연구는 대규모 상태 공간에서 실행 가능한 반사실적 설명(CFE)을 생성하는 문제를 다룹니다. CFE는 부정적인 분류를 받은 에이전트가 긍정적인 분류를 받기 위해 취할 수 있는 일련의 조치를 나타냅니다. 이 문제는 가중치 집합 덮개 문제의 해결책으로 표현될 수 있습니다.
연구에서는 다음과 같은 세 가지 유형의 데이터 기반 CFE 생성기를 제안합니다:
제안된 CFE 생성기는 개별 에이전트에 대한 최적화 문제를 해결할 필요 없이 새로운 에이전트에 대한 최적의 CFE를 빠르게 제공할 수 있습니다. 또한 다양한 정보 제약 조건 하에서 효과적으로 작동합니다.
실험 결과, 제안된 CFE 생성기는 새로운 에이전트에 대해 높은 정확도로 최적의 CFE를 생성할 수 있음을 보여줍니다. 특히 명칭 CFE 생성기가 가장 정확한 것으로 나타났습니다. 또한 CFE의 빈도가 높을수록 CFE 생성기의 성능이 향상되는 것으로 나타났습니다.
추가적으로, 에이전트가 서로 다른 분류 기준에 따라 분류되거나 서로 다른 행동에 대한 접근 권한을 가지고 있는 경우에도 CFE 생성기가 정확한 CFE를 생성할 수 있음을 확인했습니다.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Keziah Naggi... às arxiv.org 04-29-2024
https://arxiv.org/pdf/2404.17034.pdfPerguntas Mais Profundas