通过增强和无监督学习,训练具备最少先验知识的机器人在仿真 3D 环境中理解自然语言指令,将语言符号与周围物理环境的感知表示和相关的行动序列联系起来,实现语言含义的压缩和提取,从而揭示出关于语言基于感知概念的本质和潜力。
Jun, 2017
本文讨论了无约束情境交互对参与者的代表性需求以及锚定过程,探讨其如何指导计算模型和相关研究,从而促进自然语言处理领域的发展。
Feb, 2023
提出了一种交互式多模态框架,通过协作推理游戏,实现神经网络学习语言,初步实验结果可喜,但需注意避免智能体发展出仅针对游戏有效的特定通信编码。
May, 2016
研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习,发现预测前瞻是一种有前途的学习策略,并表明它可以在没有奖励监督的情况下正确地回答问题。
Apr, 2016
本文提出了一种基于多智能体交互通信的语言学习框架,在指代游戏的上下文中研究了这种学习方法,通过联系人工智能代理人彼此通信以识别随机图像,在通过调整游戏环境来提高代理人交流的自适应语言结构,并为代理人的代码提出简单的系统,从而使其更好地恰当地通信,并能更有效地与人类沟通。
Dec, 2016
本文介绍一种结合多智能体通信和传统数据驱动方法的自然语言学习方法,通过在自身玩耍的环境中生成任务特定的奖励来适应或调节模型,形成任务条件化语言模型,并引入了一种基于语言模型样本重新排序的新方法,以优于其他方法地与人类进行视觉指称交流任务的通信。最后,我们提出了一种不同类型的语言漂移分类以及检测它们的措施。
May, 2020
本文研究了多模态经验、语言学习和具体到抽象的词汇发展历程,并提出了一种结合当代模型和基于词汇的模型的语义模型,并使用机器人对话系统来学习语言。
May, 2021
该论文旨在提出一种 “基础” 的视角,启发人工智能的进步,包括 “基于感知 - 动作循环的体现、嵌入、延伸和实践认知” 的研究方向,以及运用逐步发展的技能促进逐步的语言发展、逐渐适应物理和社会环境的智能代理等几个具体的组成部分,以建立人类一样的语言能力。
Jan, 2022
本文介绍了一种交互式的 “体现代理” 系统,它具有适应性,能够有效地处理自然语言指令,并提供反馈。同时,还介绍了一种用于收集有关该系统的大量文本指令的众包工具,以及该系统具有学习能力的数据集和基线模型。
May, 2023
本文介绍了利用自然语言任务进行协作的实体代理模型,发展出了可扩展的数据收集工具,并采集了互动立足语言理解的第一个数据集,以便进一步研究机器模拟人类智能适应新任务与环境的能力。
Nov, 2022