多智能体通信中的突现式翻译
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
采用新颖的无监督知识转移方式,在缺乏语言数据时通过基于图像的指称游戏进行神经网络预训练,成功地提高了 few-shot 学习中的机器翻译效果,同时为评估人造语言的性质提供了基于表现的外部评估途径。
Nov, 2020
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
本文中,我们提出并测试了一种使用 Emergent Communication 技术,以先前预训练好的多语言模型来改进现代无监督机器翻译系统的方法,特别是对于语料库数据量很小的语言,我们将现代多语言模型嵌入到了一个以视觉为基础的语言游戏中,并通过一个共同目标的任务去训练模型,证明此方法能够提高翻译表现,特别是对波斯语和僧伽罗语这样语言数据量很小的语言有很大的帮助。
Jul, 2022
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
研究表明,随着深度人工网络的感知、移动和规划能力的增强,研究人员正在研究它们是否也能发展出共享语言来相互交互,并探讨语言在深度代理人群体中演化及紧急特性的条件,这既有助于理解人类语言进化的过程,也可以让深度网络在日常生活中更加灵活和有用。本文概述了各角度最具代表性的语言演化研究。
Jun, 2020
本文提出了使用深度强化学习进行训练的带有通信能力的智能体在同时进行一系列指称游戏的计算框架,证明了框架反映了自然语言中观察到的语言现象,即语言演化的复杂属性可以不依赖于复杂的语言能力而是可以从视觉感知智能体之间的简单社交交流中产生。
Jan, 2019
通过研究 negotiation environment 中不同类型 agent 之间的交互过程,以及不同类型 agent 是否会进行 cheap talk,作者探讨了 cooperation 在语言产生中的必要性问题。
Apr, 2018
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