探索好奇心如何帮助机器人和人类发现解决复杂问题的新方法和技能,以及在自主学习和自组织发展中的重要性。
Feb, 2018
本文认为好奇心是一种进化机制,能够在智能体的一生中鼓励有意义的探索,以暴露它于能够使其获得高报酬的经验。该文提出了一种基于元学习的产生好奇行为的问题,并使用元学习算法将代理人的奖励信号动态调整来解决问题。作者进一步提出使用元算法来扩大其适用性,并将其他构建块(例如缓冲器、最近邻模块和定制丢失函数)与神经网络结合使用。最终,本文提出的两种好奇心算法在图像导航、机器人和其他领域表现优于人类设计的已发表算法。
Mar, 2020
本研究旨在通过使用人文和社会科学中的各种理论以及无监督和监督机器学习算法,以及人类好奇心作为二元分类器的基础,试图量化人类在数字世界中的好奇心,并通过人工注释的新闻标题(clickbaits)来解释如何测量刺激产生读者好奇心的强度,以推动数字媒体中好奇心和愤怒的情感定量研究。
Jun, 2018
本文综述了心理好奇心对于人类智能的重要作用,阐述了人工好奇心与人类认知发展的联系及其应用场景,并对强化学习、推荐系统和分类方法等领域中已有的好奇心驱动学习方法进行综述,提出了深入研究的方向和未来的改进工作。
Jan, 2022
该论文提出了一种名为 CURIOUS 的算法,它利用 MODULAR Universal Value Function Approximator 和自动化课程学习机制来实现学习代理的自主目标设定和自我组织学习课程,实现学习目标的快速最优化。
Oct, 2018
利用人工好奇心提高强化学习系统的探索能力,本文提出了一种利用贝叶斯惊奇度作为衡量模型参数先验和后验之间差异的方法,将其应用于代理模型的潜在空间中,大大降低计算成本,研究表明其对连续任务的环境探索和视频游戏分数的影响要好于当前最先进技术,同时具有对抗随机性环境的鲁棒性。
Apr, 2021
提出一种新的基于动态记忆和信息理论的强化学习探索算法 DyMeCu,并在多个基准测试中展示其优越性,能够有效模拟人类好奇心和实现动态记忆。
Aug, 2022
通过实现以好奇心驱动的内在动机的神经网络,我们表明计算的内在动机模型可能解释婴儿发展视觉运动学习的关键特征,包括自我运动预测、物体注意以及物体获取等。
研究探讨了多代理系统的动态演化,提出了自学课程的假说,解释了社会任务解决时的新任务的产生以及挑战的不断增加。
Mar, 2019
本文提出了一种基于好奇心驱动的多智能体共探算法,旨在鼓励多智能体在合作环境中探索独特而有意义的动作以达到最佳表现。实验表明,这种好奇心驱动的探索方法能够有效促进多智能体整体探索并提升共同导航任务中稀疏奖励的 MARL 算法的表现。
Oct, 2022