Aug, 2022

整合多样知识源进行在线一次性学习新任务

PDF
TL;DR研究使用多种知识源在 Soar 认知结构下开发智能体，探讨不同知识源对一次性学习新任务的作用。测试结果表明，混合不同知识源可以提高智能体的学习效率，减少人类反馈。
autonomous agentsknowledge sourcessoar cognitive architecturetask learninghuman feedback
发现论文，激发创造
  • 基于混合知识源的任务导向对话联合推理

    该研究使用 MutliWOZ-based 数据集，演示了当前方法在去除信息源严格假设时表现显著下降，并且利用预先训练的语言模型 fine-tune 了一个基于 BART 的模型，可以融合结构化和非结构化知识生成响应。

    Oct, 2022

  • 跨领域知识发现的多智能体利用

    通过部署多个跨领域人工智能代理，本研究介绍了一种新的跨领域知识发现方法，这些代理分别专门负责不同的知识领域，通过统一框架协作合作，合成并提供超越单领域专业知识限制的全面洞察力，从而增强知识发现和决策过程。通过对不同多代理工作流场景的比较分析，评估其在效率、准确性和知识整合广度方面的表现，本研究通过一系列涉及复杂的跨学科查询的实验结果展示了领域专用多人工智能代理系统在识别和弥合知识差距方面的卓越能力，强调了合作人工智能在推动创新方面的重要性，并为基于人工智能的跨学科研究和应用的未来发展奠定了基础。我们的方法在一小部分试验数据上进行了评估，并展示了我们预期的趋势，如果增加数据量并对代理进行定制化训练，预期趋势将更加平滑。

    Apr, 2024

  • 主动采样学习多任务

    提出了一个高效的多任务学习框架，该框架采用主动学习原则来解决多个目标导向任务的问题，通过对 7 个多任务实例进行测试，实现了竞争性的多任务表现。

    Feb, 2017

  • DSTC9 中基于任务的对话建模与非结构化知识访问跟踪的超越领域 API

    任务驱动的对话系统使用外部非结构化知识源来扩展任务领域 API 的覆盖范围，三个任务包括知识寻找、选择和响应生成，并用集成方法和大规模预训练语言模型取得了高性能。

    Jan, 2021

  • 基于多源转移学习的深度模型强化学习

    本研究旨在提出多源模块化转移学习技术，以减少强化学习所需的环境交互次数并提高知识重用。我们支持这一技术的有效性，并进行了广泛而具有挑战性的视觉控制跨领域实验。

    May, 2022

  • AI 助手应用中的零样本和多领域推荐的多任务知识增强

    本文提出了一种利用用户在其他领域的交互信息以及外部知识图谱的思想来改进新领域推荐的方法，并在虚拟助手应用程序中的三个领域（视频、音乐和图书）的大量用户请求的数据集上证明了该方法的优势。

    Jun, 2023

  • 朝向自学习的端到端任务导向对话系统

    本文研究了如何通过自学习的方式使得 Task Bots 自适应于动态环境，并提出了 SL-AGENT 框架，该框架包含一个对话模型和一个预训练的奖励模型，能够在无需或最小化人工标注的情况下通过强化学习在人机交互中学习，并在自动和人工评估中证明其有效性。

    Jan, 2022

  • 在开放式文本世界中进行少样本任务迁移的专家混合方法

    多任务学习中混合专家模型与注意力机制结合的研究表明，代理能够在开放式环境中通过重用先前任务的知识并快速学习新任务，同时在零样本和少样本学习中表现出更高的奖励获得和采样效率。

    May, 2024

  • MineDojo：基于互联网规模知识构建开放式具身代理

    介绍了建立于 Minecraft 游戏之上的 MineDojo 框架，该框架支持多任务目标环境，同时结合大规模的多模态知识库和灵活可扩展的代理架构，利用大规模的预先训练的视频语言模型作为学习奖励函数的新型代理学习算法，成功解决一系列无需设计的开放式任务。

    Jun, 2022

  • 可以提供进一步帮助吗？使用非结构化知识访问来改善任务导向的对话建模

    本研究针对限定领域 API 的局限性，采用一种基于查询 - 选择 - 回应的方法，引入了外部非结构化知识资源，通过对话上下文信息的提取和增强实现了对超出 API 覆盖范围用户请求的响应，并在 DSTC9 Track 1 基准数据集上实现了全自动和人工评估的最优性能，验证了我们的贡献的有效性。

    Jun, 2021