本文研究通过使用图神经网络的不同策略表示和两种目标空间，即基于几何或基于谓词的，对自我目标代表和设置的兴趣驱动智能体的学习和转移能力的影响，并表明这种方法有助于实现更困难的目标学习。

Apr, 2022

提出自动内在动机代理 (autotelic agents) 的 Vygotskian 模型，通过对话语言和实体环境交互学习，实现自我生成目标和内化交互成为认知工具，进而形成人工认知功能，从而推进社会化学习的人工智能研究应用前景。

Jun, 2022

本文研究了基于自主目标选择和组织学习计划框架下，语言对于自主学习的重要性，提出了三个开放式科学问题：社交互动中反事实反馈的影响，学习过程中来自稀有语言目标的重采样，以及多种探索方式的结合。通过实验表明，社交互动中反事实反馈的精选对自主学习结果的提高具有决定性作用；在学习过程中，重采样来自稀有语言目标的例子有助于学习；在自主生成目标时，选择具有中等难度的目标可以显著提高最终的表现。

Feb, 2023

本论文提出了一种基于内在动机的目标探索算法，结合自主学习过程和增量式目标策略搜寻探索，可以自动生成任务序列并发掘多种技能，无需特定的目标指令，适用于机器人等人工智能设备的自主发展学习。

Aug, 2017

本研究介绍了一种使用预训练语言模型（LM）的语言模型增强的自我目标学习环境，它支持自动生成并学习具有多样性、抽象性、与人类相关的目标 —— 而非手动编码的目标表示、回报函数或课程，该系统可以在基于文本的任务无关环境中学习掌握各种广泛的技能。

May, 2023

通过多智能体竞争、自我监督的自动课程设置以及规模化的强化学习算法，我们发现代理创建了多个不同的新兴策略，其中许多需要复杂的工具使用和协调，并提供了有关多智能竞争可能扩展至更复杂环境的证据。

Sep, 2019

通过分类功能和社交干扰以及探讨机器人架构的要求，本文旨在为人工智能代理提供处理不同类型交互干扰的能力，以实现在多方社交情境和用户个性化之外，对于为人工代理赋予社交能力的扩展。

Aug, 2023

本文介绍了发展性强化学习并提出了一个基于目标条件强化学习的计算框架，以解决本能动机技能获取问题，着重探讨了在自主系统中学习目标表示和优先级的现有方法，并讨论了在 intrinsically motivated skills acquisition 中的一些挑战。

Dec, 2020

本文旨在将心理学的社会认知能力引入到人工智能的社交互动代理中，并提出了一个名为 SocialAI school 的工具，用于进行与社会性和认知能力有关的实 现实验的参数化环境。

Jul, 2023

该研究旨在探讨人类探索行为与人工智能自主性和适应性的联系，并将认知心理学范例应用于机器学习方法中。研究表明，与人类对应的人工智能代理可以通过内部状态与探索行为之间的因果关系来学习并自我发展，这对于人类认知研究和人工智能的发展都具有重大意义。

Feb, 2023