@phdthesis{01JY0X7B4DXJHTJCB84WFEAFHS,
  abstract     = {{Artificiële agenten spelen een steeds grotere rol in ons dagelijks leven, van zelfrijdende auto's tot robots die samenwerken met mensen. Een succesvolle integratie van autonome agenten vereist dat hun gedragsstrategieën aansluiten bij de waarden, regels en verwachtingen van menselijke gebruikers. Het expliciet definiëren van dergelijke gedragsregels is echter niet triviaal omdat dit domeinkennis, inzicht in omgevingsrisico’s en vaak ethische overwegingen vereist. Gezien deze uitdagingen richt mijn onderzoek zich op het leren van symbolische representaties uit demonstraties, waarmee gedragsmatige patronen van agenten (zoals mensen) worden vastgelegd. Afhankelijk van het type taak kunnen verschillende representaties worden gebruikt. In mijn onderzoek richtte ik mij enerzijds op methodes voor het leren van beperkingen binnen het besluitvormingsproces. Anderzijds onderzocht ik hoe de structuur van een taak geleerd kan worden als een aaneenschakeling van deeltaken. Dit onderzoek slaat een brug tussen intuïtieve demonstraties (bijvoorbeeld observaties van menselijk gedrag) en formele, interpreteerbare modellen die kunstmatige agenten kunnen helpen bij besluitvorming.}},
  author       = {{Baert, Mattijs}},
  isbn         = {{9789493464032}},
  language     = {{eng}},
  pages        = {{XXVII, 223}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Learning symbolic representations from demonstration for interpretable agent behavior}},
  year         = {{2025}},
}