Jun, 2020

对象文件和模式：动态系统中声明性和过程性知识分解

PDF
TL;DR该研究提出了一种基于对象状态和过程知识的模块化体系结构，使用注意力机制来管理不同对象的状态和更新规则，能够在视频游戏建模等领域具有更好的泛化性能。
发现论文，激发创造
  • 循环独立机制的快速与慢速学习

    将知识分解成可交替使用的部分可在分布变化时带来泛化优势，而采用特定的模块化学习方法和自适应机制以及元学习可以实现更快的适应。

    May, 2021

  • SCHEMA: 在教学视频中，状态变化对流程规划至关重要

    我们研究了教学视频中的过程规划问题，旨在根据部分视觉观察结果制定目标导向的行动步骤序列，通过跟踪状态变化建立更有结构化的状态空间。通过在步骤表示中利用通识知识并通过语言描述对齐状态观察，我们提出的 SCHEMA 模型在 CrossTask、COIN 和 NIV 基准数据集上实验，取得了最先进的性能，并得到了可解释的可视化结果。

    Mar, 2024

  • 将图形模式作为传递学习、推理和规划的抽象

    本研究提出基于模式的抽象模型，该模型的经验可用于迅速的迁移学习、推理和规划，利用潜在的图结构将已有的经验转化为知识，通过学习、匹配和重用图模式实现快速的任务解决，并在导航等更具挑战性的环境中进行演示。

    Feb, 2023

  • 基于语言的因果表示学习

    利用结构化因果模型语言，可以从一个简单离散动态系统的状态图中恢复状态变量，同时所选择的最紧凑表示对于学习体验起到有意义的学习偏好作用。

    Jul, 2022

  • Schema Networks: 基于生成因果模型的直觉物理学零样本迁移

    介绍了基于 Schema Network 的智能体框架，该框架能够从数据中学习环境动态，具有学习因果关系和从有限数据中泛化的能力，并在 Breakout 游戏中进行了效率和泛化实验。

    Jun, 2017

  • 基于知识的对话状态跟踪

    本文提出了一种基于外部编码的对话状态跟踪方法，通过查询相关知识以基于对话上下文信息来预测对话状态，证明在一些场景下，我们的方法比基线表现更优秀，尤其是在少样本学习情况下。

    Oct, 2022

  • 当 Prolog 遇到生成模型：机器人应用中管理知识和规划的新方法

    本文提出了一个基于 Prolog 语言的面向机器人的知识管理系统，该系统具有以下特点：1. 使用大型语言模型的半自动化过程从自然语言文本中高效填充知识库；2. 通过一系列转换实现多机器人系统的时间并行计划的无缝生成；3. 将计划自动翻译成可执行的形式化（行为树）。该框架由一套开源工具支持，并应用在一个实际应用上。

    Sep, 2023

  • 学习基于一阶符号计划的基础表达

    本研究提出了一种新的学习规划模型的方法，其既有组合方法学习清晰的动作模板，又能够从图像空间中产生动作模板，这是结合前两种方法的优势的一步。

    Apr, 2022

  • 基于模型的强化学习中对象和系统化概括的视角

    本文论述在智能代理的建模过程中，对象化有助于先前知识的模块化再使用和组合构建模型。但针对此限制，文章探讨了在连接主义模型中动态绑定特征（对象）的产生需要满足的需求以及相应的归纳偏差。

    Jun, 2019

  • 知识永不足够：朝向基于 Web 辅助的深度开放世界识别

    提出一种基于深度学习架构的机器人知识动态更新方法，该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集，并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。

    Jun, 2019