通过深度学习技术,本研究探讨在多智能体通信系统中数字概念的组合语言的出现。我们证明了,深度神经网络智能体群体中的组合语言可以通过迭代学习出现。然而,语言属性很大程度上取决于给智能体的输入表示。如果相较于其他情况给智能体反馈的输入表示更少,组合语言才会出现。
Oct, 2019
本研究介绍了将文化演化动态引入语言出现过程中,通过定期更换人群中的代理以创建知识差距来提高语言的组成通用性。
Apr, 2019
通过 “任务 & 告诉” 游戏,本文证明了虽然大多数机器发明的语言是有效的,但它们并不可解释或复合。由此发现自然语言并不会自然产生,为了达到人类一样的语言理解,需要增加通信的限制。
Jun, 2017
本篇论文提出一种内在奖励框架,通过强化学习设置两个代理,以在三个不同的指称游戏环境下将有限通道容量与内在奖励相结合,提高新颖环境下组合性得分约 1.5-2 倍。
Dec, 2020
提出通过遵循组成性原则来训练神经网络解决语言理解的挑战,并通用地应用于多种领域,进而提高机器人的安全性和公平性,所提出的网络能够显着提高自然语言理解能力,且在实现先前工作所不能实现的泛化能力的同时还提供了可解释性的层面。
Aug, 2020
本文研究深度多智能体模拟中涌现的语言是否具有类似于人类语言组合性的能力,通过分离表示学习中的受启发的新的衡量组合性的方法建立了三个主要结果:在有足够的输入空间的情况下,新概念的组合性将自然而然地产生;组合性的程度与语言的泛化能力无关;虽然组合性对于泛化来说不是必要的,但对于语言传递来说提供了优势。
Apr, 2020
本研究旨在使用好奇心作为反馈机制,诱导一种系统性和明确的语言协议,展示如何利用组合性不仅能让人工智能代理与未见过的对象交互,而且能在零样本场景下从一项任务中转移技能到另一项任务中。
May, 2021
通过在多智能体通信中引入语言模型和视觉约束等训练约束,可以有效避免非语言性的奖励对预先训练的代理产生的语言漂移,从而使预先训练的代理在保留英语语法的同时学会准确传达信息。
Sep, 2019
本文研究了语言中的复合性在普遍性和人类认知中的作用,并通过两个代理人之间的沟通博弈,证明了当在适当的数据集上进行评估时,复合性确实似乎对成功的泛化至关重要。
Jun, 2022
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。