ACLMar, 2021

盲目阅读和行动：文本游戏代理需要语义学

PDF
TL;DR以基于文本的游戏为测试平台，研究了自然语言理解代理的语义理解能力；实验结果表明，在降低语义信息量的情况下，自主代理仍能够在游戏中取得高分，提出了逆动力学解码器来增强语义理解的性能。
text-based gameslanguage-understanding agentssemantic understandinglearning agentinverse dynamics decoder
发现论文，激发创造
  • 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

  • 关于对文本驱动强化学习应用微调语言模型效果的研究

    本文研究了基于文本的强化学习，讨论了语义理解和语言能力对强化学习代理的训练效率以及在类似语义训练游戏中的表现的影响，旨在为文本强化学习情景下的代理微调开发更好的策略。

    Apr, 2024

  • 在奇幻文本冒险游戏中学习说话和行动

    本文介绍了一个大规模的众包文字冒险游戏作为研究平台，用于研究基于场景的对话。在其中，代理可以感知，表情和行动，同时与其他代理进行对话。我们介绍了在这种情况下训练最先进的生成模型和检索模型的结果。我们展示了除了过去的对话，这些模型还能够有效地使用潜在世界的状态来调整它们的预测，特别是使用本地环境的详细信息，包括位置描述和其中存在的对象（及其可用性）和角色（及其先前的行动），可以更好地预测代理行为和对话。我们分析了在这种设置中成功落地所需的要素，以及每个因素如何与能够成功说话和行动的代理相关。

    Mar, 2019

  • 在模拟的 3D 世界中的基于场景语言学习

    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

  • 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

  • 在蒙特卡洛框架下通过阅读手册学习获胜

    本文介绍了一种通过语言基础知识自动为控制算法提供指导的方法，并使用多层神经网络表示文本分析与游戏操作决策，实验证明这种基于语言知识的游戏代理系统可以显著提高控制性能和获胜概率。

    Jan, 2014

  • 重新审视文字游戏中的 “文字” 角色

    本文研究了文本在不同强化学习问题中的作用，并提出一种简单的策略，通过提取相关的上下文信息来作为 RNN-based 文本代理的额外输入，实现了与新颖的自然语言理解技术相当的性能，这表明非自然语言理解技术也能够足以解决部分可观察性的挑战。

    Oct, 2022

  • 理解心理学与指称游戏相互作用的语用学的涌现

    本文提出一种基于理论智能和自适应强化学习算法的合作式多智能体情境下的通讯协议，使得智能体可以在没有显式设计规则的情况下自发地学习 “读懂人心”，实现了语用学的概念在多智能体通讯系统中的有效应用。

    Jan, 2020

  • 基于文本游戏的语言扩展

    本文探讨了使用基于深度强化学习的代理人在多个基于文本的游戏中进行学习，并通过策略蒸馏方法扩展其词汇，并将文本游戏用作测试平台以更详细地分析和理解策略蒸馏方法的应用。

    May, 2018

  • 多智能体合作与（自然）语言的出现

    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