Jul, 2022

基于语言条件自生代理的文本环境自动探测

PDF
TL;DR文中探讨了研究本质激励代理在文本环境中探索的机遇和挑战，并认为文本环境及自主代理之间具有重要的协同作用，提出文本世界适合自主代理探索的关键特性包括深度、广度、进步利基以及语言目标易用性，认为实现这些驱动器对可实现文本世界探索自主代理是有帮助的，并列举了需要在该领域克服的一些具体挑战。
intrinsically-motivated agentstextual environmentsautonomous agentsexplorationtext environment benchmarks
发现论文，激发创造
  • 基于探索的基于文本游戏的语言学习

    本文介绍一种采用探索和模仿学习的代理程序，能够在玩基于文本的电脑游戏时表现出最先进的性能。该方法使用 Go-Explore 探索方法以及模仿学习策略去训练模型，实现了更高效的解决文本游戏和更强的泛化能力。

    Jan, 2020

  • 冰与火之歌：分析 "科学世界" 中的文本自传递代理

    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

  • 人工智能的语言和文化内化

    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

  • 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

  • 认知心理学启发下的人工智能自主探索

    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

  • 利用语言抽象提高内在探索能力

    本文研究探讨使用自然语言作为一种通用媒介以提高强化学习领域中稀疏奖励的训练效果，通过与 AMIGo 和 NovelD 等竞争性内部探索基线进行直接扩展和比较，本研究探究语言能否优化现有的探索方法，其与非语言形式相比在 MiniGrid 和 MiniHack 环境套件的 13 项挑战任务中表现更好（提高了 47-85%）。

    Feb, 2022

  • 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

  • 使用图神经网络学习基于目标中心的自发行为

    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

  • 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

  • 学习基于知识图谱的文本环境世界模型

    该论文聚焦于构建基于文本的游戏环境的世界模型，利用知识图谱和自然语言行动生成模型，提升增强学习智能体在该环境下的效率。通过零样本消融实验，表明该方法显著优于现有的文本世界建模技术及其各自贡献的重要性。

    Jun, 2021