| Title: |
Explainability in Reinforcement Learning: Towards a Unified Taxonomy ; Explicabilité en Apprentissage par Renforcement : vers une Taxinomie Unifiée |
| Authors: |
Alaarabiou, Maxime; Delestre, Nicolas; Vercouter, Laurent |
| Contributors: |
Equipe Multi-agent, Interaction, Décision (LITIS - MIND); Laboratoire d'Informatique, du Traitement de l'Information et des Systèmes (LITIS); Université Le Havre Normandie (ULH); Normandie Université (NU)-Normandie Université (NU)-Université de Rouen Normandie (UNIROUEN); Normandie Université (NU)-Institut national des sciences appliquées Rouen Normandie (INSA Rouen Normandie); Institut National des Sciences Appliquées (INSA)-Normandie Université (NU)-Institut National des Sciences Appliquées (INSA)-Université Le Havre Normandie (ULH); Institut National des Sciences Appliquées (INSA)-Normandie Université (NU)-Institut National des Sciences Appliquées (INSA) |
| Source: |
18èmes Journées d'Intelligence Artificielle Fondamentale; https://hal.science/hal-04685607; 18èmes Journées d'Intelligence Artificielle Fondamentale, Jul 2024, La rochelle, France |
| Publisher Information: |
CCSD |
| Publication Year: |
2024 |
| Collection: |
Normandie Université: HAL |
| Subject Terms: |
Deep learning; Reinforcement learning; Explainability; Apprentissage profond; Apprentissage par renforcement; Explicabilité; [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI] |
| Subject Geographic: |
La rochelle; France |
| Description: |
International audience ; The issue of explainability is a current important concern in artificial intelligence, specifically in reinforcement learning. In this article, we propose a new classification of explainable reinforcement learning techniques. To do so, we rely on specific aspects of reinforcement learning by defining the concepts of explanation, source of explanation, and explicability technique. Using this new classification, we conduct an analysis of the state-of-the-art techniques existing in this field. Finally, we offer a retrospective on the evolution of classification systems, highlighting recent advances and trends in this domain. ; La problématique de l'explicabilité est à l'heure actuelle un enjeu important en intelligence artificielle, et plus spécifiquement en apprentissage par renforcement. Dans cet article, nous proposons une nouvelle classification des techniques d'explicabilité pour l'apprentissage par renforcement. Pour se faire, nous nous appuyons sur les aspects spécifiques de l'apprentissage par renforcement en définissant les concepts d'explication, de source d'explication et de technique d'explicabilité. En utilisant cette nouvelle classification, nous effectuons une analyse de l'état de l'art des techniques existantes dans ce domaine. Enfin, nous proposons une rétrospective de l'évolution des systèmes de classification, mettant en lumière les avancées et les tendances récentes en apprentissage par renforcement explicable. |
| Document Type: |
conference object |
| Language: |
French |
| Availability: |
https://hal.science/hal-04685607; https://hal.science/hal-04685607v1/document; https://hal.science/hal-04685607v1/file/Explicabilit%C3%A9_en_Apprentissage_par_Renforcement___vers_une_Taxinomie_Unifi%C3%A9e.pdf |
| Rights: |
info:eu-repo/semantics/OpenAccess |
| Accession Number: |
edsbas.14F48DDB |
| Database: |
BASE |