逆強化学習(Inverse Reinforcement Learning、IRL)は、agentの行動のデモンストレーションを観察し、その行動が最適となる報酬関数を推定する機械学習の手法である。与えられた報酬関数から方策を学ぶ強化学習とは方向が逆になる。2000年にAndrew NgとStuart Russellが論文「Algorithms for Inverse Reinforcement Learning」で定式化した。
報酬関数を人手で設計しにくいロボット制御、自動運転、人間の選好推定などに用いられる。専門家の行動をそのまま模倣する模倣学習(imitation learning)とは異なり、行動の背後にある目標そのものを復元しようとするもので、人間のフィードバックから報酬モデルを学習するRLHFの理論的背景でもある。