Feb, 2023

对抗环境中交互创新处理的方法和机制

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 军事领域中的新颖性特征

    研究 AI 代理人的鲁棒性来应对新奇环境，DARPA 的 SAIL-ON 计划致力于开发必要的科学来评估代理人的鲁棒性，同时利用实验室实验中使用的技术来衡量代理人检测、表征和适应新奇性的能力。

    Feb, 2023

  • 通过学习适应原则进行快速的开放式世界适应

    通过使用简洁而有效的新方法 NAPPING（Novelty Adaptation Principles Learning），我们的研究展示了深度强化学习（DRL）代理可以在各个领域快速有效地适应各种新情况。

    Dec, 2023

  • 通过调整规划模型学习在开放世界中的操作

    在开放世界中，我们介绍了一个适应新颖性的规划领域模型的方法，通过检测行动执行的观察值和环境模型的预期值之间的差异来推断新颖性的存在，并通过启发式导向的模型改变搜索来修订模型。我们在标准的强化学习基准 CartPole 问题上进行实证评估，结果表明我们的方法可以快速且可解释地处理一类新颖性。

    Mar, 2023

  • 人类参与下的新颖性生成

    介绍了一种使用抽象环境模型的新颖性生成方法，不需要特定领域的人为指导即可生成更多的新颖性，然后采用人类的辅助选择和过滤这些生成的新颖性，并在 Monopoly 和 VizDoom 领域中测试了该方法的结果。

    Jun, 2023

  • 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

  • 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

  • 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