Oct, 2020

基于文本的 RL 代理与常识知识：新挑战、环境和基准

PDF
TL;DR本文研究了 RL 智能体如何在具备通识知识的情况下进行决策。通过设计新的基于文本的游戏环境，实现了一种感知建模的系统，同时，也为该环境提出了多个基线 RL 智能体，这些智能体能通过动态检索 ConceptNet 中相关的通识知识，实现了更好的表现。
发现论文，激发创造
  • 利用常识知识增强基于文本的强化学习智能体

    本文研究了在强化学习技术中，利用基于文本的环境和游戏作为评估环境的趋势，并探讨了这种依赖文本的趋势如何将自然语言处理的进展引入到这些智能体中。我们提出了一种智能体的实例，利用 ConceptNet 中的常识知识，在两个基于文本的环境中展现了良好的性能。

    May, 2020

  • 互动文本游戏的知识增强代理

    该文提出了一种通过注入领域知识的方式来改善基于文本游戏中的智能代理的实现过程，并考虑了多种不同的注入策略，包括知识图谱和输入编码策略的增强，实验结果在 ScienceWorld 文本游戏环境中得到证明。

    May, 2023

  • 利用常识知识增强端到端对话系统

    本文研究了将常识知识有效地集成到对话模型中的影响，并在基于检索的情境下提出了 Tri-LSTM 模型，将消息和常识联合起来选择适当的响应，实验证明知识增强模型比无知识模型在自动评估中表现更好。

    Sep, 2017

  • 基于场景图的常识知识在文本环境中的应用

    本文研究了在文本游戏中使用基于视觉数据集得到的常识推理有助于提高游戏 AI 效率的优势，对比了空间关系的统计信息并在常识推理任务中进行验证实验，结果表明该方法优于现有最先进的方法。

    Oct, 2022

  • 感知世界：针对基于文本游戏的问题引导强化学习

    本研究探讨了深度强化学习在文本游戏中的应用，提出了通过引入知觉模块以及使用两阶段训练框架来提高样本效率，从而解决了应用 DRL 的两个主要挑战。实验结果表明，提出的方法显着提高了性能和样本效率，并且对复合错误和数据有限的预训练表现出鲁棒性。

    Mar, 2022

  • ScriptWorld：学习程序化知识的文本环境

    介绍了一种名为 ScriptWorld 的基于文本的环境，用于教授智能代理关于日常家务事的现实世界常识知识，实验表明，从预训练的语言模型获取的先前知识有助于解决现实文本游戏环境。

    Jul, 2023

  • 文本游戏中的指令跟随学习

    研究文本游戏在强化学习环境下的指令正确率，设计使用 Linear Temporal Logic 结构化语言支持时间上下文语义的指令，通过文字游戏的实验验证该结构化语言指令的有效性和优越性。

    Nov, 2022

  • 面向基于文本的教育环境的通用智能体: RL 与 LLMs 的整合研究

    通过将强化学习与大型语言模型结合，研究了在开放性文本学习环境中增强代理的泛化能力，提出了三种代理类型：基于强化学习的代理、基于大型语言模型的代理和融合两者的混合代理，以提高代理的性能和泛化能力，并通过 PharmaSimText 提供的基准测试验证了研究成果。结果表明，基于强化学习的代理在任务完成方面表现出色，但在提问诊断问题方面有所欠缺；相反，基于大型语言模型的代理在提问诊断问题方面表现较好，但在完成任务方面表现较差；而混合的大型语言模型辅助强化学习代理能够克服这些限制，凸显了将强化学习和大型语言模型相结合在开放性学习环境中开发高性能代理的潜力。

    Apr, 2024

  • 使用深度强化学习的基于文本游戏的语言理解

    本文探讨了基于文本的游戏控制策略的学习方法。该方法使用深度强化学习框架，联合学习游戏状态表示和行动策略。通过把文本转化为向量，能够更好地捕捉游戏状态的语义表示。实验结果表明，我们提出的方法显著优于传统基于词袋模型的方法。

    Jun, 2015

  • 基于自然语言启发的强化学习综述

    提出了将自然语言理解与强化学习紧密结合的想法，并对现有技术及未来研究方向进行了调研。

    Jun, 2019