Jun, 2022

NovelCraft: 开放世界中的新颖性检测与发现数据集

PDF
TL;DR本研究介绍了一个新的基准数据集 NovelCraft，包含在 Minecraft 环境中完成跳跃球组装任务的代理人所看到的图像和符号世界状态的多模态故事数据。进一步的多模态新颖性检测实验表明，融合视觉和象征信息的方法能够提高检测时间和总体识别能力，同时对于复杂场景中新不平衡分类的适应仍然是一个令人兴奋的开放性问题。
novelty detectionmultimodal datavisual-symbiotic methodsopen world navigationcategory discovery
发现论文，激发创造
  • 对抗环境中交互创新处理的方法和机制

    本文介绍了一种应对开放性场景中新颖性挑战的方法，该方法结合了逻辑表示和推理方法，利用通用方法和架构机制检测、表征新颖性，并构建相应的适应性模型进行应对。通过在多智能体博弈中的评估，结果表明所提出的方法在各种新颖性挑战下均表现出高准确率。

    Feb, 2023

  • 全球模型中集成新颖性检测的简单方法

    我们提出了一种将新颖性检测引入世界模型强化学习代理中的直接边界方法，通过利用世界模型产生的虚拟状态与真实观察状态的不一致作为异常得分，有效探测并保护代理在新环境中的性能和可靠性。

    Oct, 2023

  • 游戏中的新颖性检测和适应性调整

    该研究提出了一种基于模型的强化学习方法，在该方法中，游戏状态和规则都是以知识图谱的形式表示，有助于检测游戏环境中的开放性创新，并进行智能重训练。

    Jun, 2021

  • 面向 NLP 的新颖性检测和适应性评估统一框架及其在作者归属方面的实例化

    该论文介绍了 NoveltyTask，通过评估系统在处理 novelties 方面的性能来开始一个系统性的研究，并将其应用于作者归属任务中，使用 Amazon 评论的数据集进行实验和探索基准方法，最终结果表明该任务具有相当低的性能。

    May, 2023

  • 高保真模拟开放世界中的新颖性适应多智能体规划

    本文旨在探索如何让自主智能系统在真实世界的环境中适应、解决并执行计划，针对其中出现的未知问题和新的情况需要进行建模和检测。

    Jun, 2023

  • 阈值式新颖检测的持续改进

    在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。

    Sep, 2023

  • 新奇性检测与对撞机物理

    本研究通过基于自编码器的深度神经网络，在高能物理碰撞实验中开发了一组密度基准的新颖性评估器以实现新物理信号事件的高效检测，并探索了解决非信号区域提供的已知模式数据波动对检测灵敏度的影响并提出了应对策略。结果表明，新物理基准可能具有高效的识别能力。

    Jul, 2018

  • 在具体模拟环境中检测和适应新类型和新概念

    本文讨论了在人工智能系统中进行两种元认知任务的方法：快速扩展神经分类模型以适应新的物体类别，以及识别新型物体类型。我们的方法利用从仿真环境中提取的数值数据，描述物体在相互作用时的运动和属性，并证明这种表示对于成功检测新型类型至关重要。我们展示了一系列的实验，包括新类别和概念的引入以及新型物体检测，同时提出了一个将两者整合到一个交互式系统中的架构。

    Nov, 2022

  • 测量新颖反应的难度

    本文提出一种评估 AI 系统应对开放世界新颖问题难度的方法，以帮助研究人员系统地训练其系统，并衡量其表现。

    Jul, 2022

  • 开放世界持续学习：统一新颖性检测和持续学习

    论文理论证明了，对于 class incremental learning 来说，out-of-distribution detection 实际上是必需的。因此，一个好的 class incremental learning 算法必须要同时具备良好的 within-task prediction 和 out-of-distribution detection 能力，这将统一 novelty 或 out-of-distribution detection 以及 continual learning.

    Apr, 2023