RLang: 强化学习表达先验知识的声明式语言

Aug, 2022

RLang: 强化学习表达先验知识的声明式语言

RLang: A Declarative Language for Expression Prior Knowledge for Reinforcement Learning

Rafael Rodriguez-Sanchez, Benjamin A. Spiegel, Jennifer Wang, Roma Patel, Stefanie Tellex...

TL;DRRLang 是一种领域特定语言，用于为强化学习（RL）代理程序传递后台知识并加速学习。RLang 可以指定有关 MDP 每个元素的信息，我们提供了一系列 RLang 程序作为实例，并演示了不同 RL 方法如何利用其知识。

Abstract

Communicating useful background knowledge to reinforcement learning (RL) agents is an important and effective method for accelerating learning. We introduce RLang, a domain-specific language (DSL) for communicati

reinforcement learning domain-specific language markov decision process rl algorithms accelerated learning

发现论文，激发创造

用语言学习建模世界

为了与人类进行互动，代理机构需要理解人们使用的各种语言类型，将其与视觉世界联系起来，并根据这些语言进行行动。本文提出了 Dynalang，这是一种代理机构，它学习了一个多模态世界模型，预测未来的文本和图像表示，并学会根据想象的模型展开行动。与传统代理机构只使用语言预测行动不同，Dynalang 通过使用过去的语言预测未来的语言、视频和奖励，获得了丰富的语言理解能力。

Jul, 2023

自然语言强化学习

强化学习和自然语言表示相结合的自然语言强化学习 (NLRL) 框架在解决样本效率低、解释性差、稀疏监督信号等问题方面表现出了显著的能力。通过在自然语言空间重新定义强化学习的概念和原则，以及结合大型语言模型的先进技术如 GPT-4 的实现方式，NLRL 在标签驱动的 MDPs 上的初步实验证明了该框架的有效性、效率以及可解释性。

Feb, 2024

知识表示与推理的强化学习：简要综述

该文综述了利用知识表示与推理方法在强化学习中更抽象表现和更有效学习的领域中取得的进展和应用，并讨论了未来在此领域中需要解决的挑战和可能的方向。

Apr, 2023

深度强化学习中的迁移语言基础

本文介绍了一种利用自然语言驱动强化学习传递的方法，并使用模型化强化学习方法和实体描述等技术，在不同环境下实现了更好的性能表现。

Aug, 2017

通过目标生成将语言与自主获得的技能联系起来

语音条件加强学习是获取技能库的好工具，但大多数学习代理无法自主学习并直接语言条件化不能表达过多的行为多样性。本文提出了一种名为 LGB 的新型语言条件强化学习思路，通过中间语义表示解耦技能学习和语言基础。

Jun, 2020

通过可微归纳逻辑程序设计将关系背景知识纳入强化学习

本文提出了一种基于可微分归纳逻辑编程的深度关系强化学习算法，可以从图像中有效地学习关系信息并将环境的状态呈现为一阶逻辑谓词，同时可以将专家背景知识并入学习问题中，展示了该框架在 BoxWorld、GridWorld 以及 Sort-of-CLEVR 数据集等环境中的有效性。