L'apprentissage par renforcement explicable (XRL) s'occupe du développement de techniques qui rendent la prise de décision des agents d'apprentissage par renforcement transparente et compréhensible.
Dans l'apprentissage par renforcement, un agent apprend à choisir des actions dans son environnement grâce à des récompenses. Le XRL complète ce processus en fournissant des aperçus sur les raisons des décisions d'action spécifiques.
Les approches typiques incluent la visualisation des fonctions de valeur, l'identification des caractéristiques pertinentes pour les décisions et la création de modèles explicatifs qui abstraient le comportement de l'agent.
Cela rend les modèles plus compréhensibles et permet une meilleure utilisation dans des domaines critiques pour la sécurité ou réglementés.