反向强化学习 (IRL) 是一种用于机器学习的框架，其目标是根据观察到的行为推断代理的潜在奖励或偏好。与传统的强化学习不同，传统的强化学习涉及学习如何通过最大化已知的奖励信号来优化行为，IRL试图了解奖励导致观察到的行为。这在设计奖励函数很复杂或不太容易理解的情况下特别有用。
例如，考虑在充满障碍物的房间中导航的机器人。您可能会观察到人类专家在房间中操纵，而不是为机器人编写一组特定的规则或奖励。通过分析专家的行为，IRL可以帮助机器人学习专家正在优化的隐性奖励，例如避免障碍和有效地达到目标。然后，机器人可以使用这种学习的奖励结构在面对新的、看不见的场景时做出决定，有效地模仿专家的行为。
IRL可以应用于各种领域，例如自动驾驶，其中车辆研究人类驾驶员的行为以更好地理解交通规范和安全实践。另一个例子是在游戏开发中，可以训练AI根据观察到的游戏模式来模拟玩家的策略。在这两种情况下，IRL都允许开发能够通过理解成功行为背后的动机来智能地适应其环境的代理，而不是简单地遵循一组固定的规则。