基于辨别性表示预训练的学习 Top-k 子任务规划树用于决策制定

Dec, 2023

基于辨别性表示预训练的学习 Top-k 子任务规划树用于决策制定

Learning Top-k Subtask Planning Tree based on Discriminative Representation Pre-training for Decision Making

Jingqing Ruan, Kaishen Wang, Qingyang Zhang, Dengpeng Xing, Bo Xu

TL;DR从足够的数据中学习任务相关的表示，利用多个编码器提取充分的任务相关动态并使用共享预测器来区分任务特征，通过使用注意机制生成一个 top-k 子任务规划树，从而在未知任务上引导复杂决策。

Abstract

Many complicated real-world tasks can be broken down into smaller, more manageable parts, and planning with prior knowledge extracted from these simplified pieces is crucial for humans to make accurate decisions. However, replicating this process remains a challenge for AI agents and n

knowledge representation planning representation learning multiple encoders attention mechanism

发现论文，激发创造

任务诱导的表示学习

本研究评估表征学习方法在视觉复杂环境下决策制定中的有效性，并发现任务诱导的表征学习方法可以提高样本效率和学习效率。

Apr, 2022

多个自监督任务中学习与问题无关的语言表征

本论文提出一种改进的自监督学习方法，其中单个神经编码器由多个工作人员共同解决不同的自监督任务，该方法可学习传输、强健和面向问题的特征，这些特征中包含了从语音信号中提取的相关信息，如讲话者身份、音素和情感线索。

Apr, 2019

基于非负矩阵分解的分层子任务发现

提出一种基于 MLMDP 框架的新算法，使用非负矩阵分解来发现领域中的最小任务基础集，该技术学习了各种领域的直观任务分解，包括具有单个目标状态和分布式首选状态的子任务，并具有不同的层次分解结构，同时可以简单地迭代以获得更深的层次分解。

Aug, 2017

基于自编码器的表示学习的最新进展

本文深度阐述了最近在表征学习中以自编码器为核心模型的研究进展，分析了三种主要的机制来实现信息分离和分层组织特征，探讨了表征学习中的隐式和显式监督的重要性，并通过失真率理论分析了自编码器表征学习的优缺点和任务需求的先验知识对表征学习的影响。

Dec, 2018

基于像素的深度分层规划

通过在一个学习好的世界模型的潜在空间 planning，我们引入了一种名叫 Director 的实用方法，直接从像素学习分层行为，无需手动指定目标空间或子任务，并在具有稀疏奖励的任务中表现超越了探索方法。

Jun, 2022

为数据高效的强化学习预训练表示

利用未标记数据预先训练编码器，然后在少量任务特定数据上微调，通过使用潜在动态建模和无监督的目标条件强化学习来促进学习代表捕捉底层 MDP 的多个方面，该方法显示出极高的数据效率并且提供与先前工作以及需要订单更多数据的其他预训练方法相比的最先进的性能

Jun, 2021

图学习是否能改进任务规划？

任务规划在大型语言模型发展的同时成为一个重要的研究课题，本文探讨了基于图学习的任务规划方法，该方法与传统的提示设计不同，通过将图神经网络与语言模型相结合以提高整体性能，并通过实验证明了其优于现有解决方案甚至在无训练的情况下的优势，并且通过改进提示或微调模型进一步提高了性能。

May, 2024

隐空间中的基于模型的规划的时间预测编码

本文使用时间预测编码等方法，构建了一种信息论方法的强化学习模型，可帮助解决高维度观测值与复杂背景的问题。

Jun, 2021

TaskExpert：使用记忆的多任务专家混合动态组装多任务表示

多任务学习中，通过使用多个专家网络对特征进行解耦，动态解码任务特定特征，并利用多任务特征内存实现长期建模，从而提高视觉场景理解任务的性能。

Jul, 2023

使用语言的交互式分层指导

使用语言命令实现上下层结构分离的强化学习方法，在长期规划任务中能够有效提高任务样本效率并保持可解释性和人工干预能力。

Oct, 2021