論文の概要: Graph Constrained Reinforcement Learning for Natural Language Action Spaces

• arxiv url: http://arxiv.org/abs/2001.08837v1
• Date: Thu, 23 Jan 2020 22:33:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 09:54:27.515388
• Title: Graph Constrained Reinforcement Learning for Natural Language Action Spaces
• Title（参考訳）: 自然言語行動空間のためのグラフ制約強化学習
• Authors: Prithviraj Ammanabrolu, Matthew Hausknecht
• Abstract要約: インタラクティブ・フィクションゲーム(Interactive Fiction game)は、エージェントが自然言語を介して純粋に世界と対話するテキストベースのシミュレーションである。 KG-A2Cは、テンプレートベースのアクション空間を用いて、動的知識グラフを構築し、アクションを探索し、生成するエージェントである。
• 参考スコア（独自算出の注目度）: 9.87327247830837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive Fiction games are text-based simulations in which an agent interacts with the world purely through natural language. They are ideal environments for studying how to extend reinforcement learning agents to meet the challenges of natural language understanding, partial observability, and action generation in combinatorially-large text-based action spaces. We present KG-A2C, an agent that builds a dynamic knowledge graph while exploring and generates actions using a template-based action space. We contend that the dual uses of the knowledge graph to reason about game state and to constrain natural language generation are the keys to scalable exploration of combinatorially large natural language actions. Results across a wide variety of IF games show that KG-A2C outperforms current IF agents despite the exponential increase in action space size.
• Abstract（参考訳）: インタラクティブフィクションゲーム(interactive fiction games)は、エージェントが純粋に自然言語を通じて世界と対話するテキストベースのシミュレーションである。 これらは、自然言語理解、部分観測可能性、および複合的なテキストベースのアクション空間におけるアクション生成の課題を満たすために強化学習エージェントを拡張する方法を研究するための理想的な環境である。 KG-A2Cはテンプレートベースのアクション空間を用いて動的知識グラフを探索し生成するエージェントである。 我々は,ゲーム状態の推論と自然言語生成の制約に対する知識グラフの二重利用が,複合的な大規模自然言語行動のスケーラブルな探索の鍵であると主張する。 さまざまなIFゲームにおいて,KG-A2Cは動作空間の指数的な増加にもかかわらず,現在のIFエージェントよりも優れていた。

関連論文リスト

• LanGWM: Language Grounded World Model [24.86620763902546]
  我々は,世界モデル学習を強化するために,言語による視覚的特徴を学習することに注力する。 提案手法は,人間とロボットの相互作用モデルを改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-29T12:41:55Z)
• Knowledge-enhanced Agents for Interactive Text Games [16.055119735473017]
  テキストベースのゲームにおいてエージェントの機能的接地を改善するための知識注入フレームワークを提案する。 学習に基づくエージェントに注入するドメイン知識の2つの形態について考察する。 我々のフレームワークは、強化学習エージェントと言語モデルエージェントの2つの代表的なモデルクラスをサポートしている。
  論文  参考訳（メタデータ） (2023-05-08T23:31:39Z)
• A Minimal Approach for Natural Language Action Space in Text-based Games [103.21433712630953]
  本稿では,テキストベースのゲーム(TG)におけるアクション空間の探索という課題を再考する。 我々は,許容行動を利用する最小限のアプローチである$epsilon$-admissible Exploringをトレーニングフェーズに提案する。 本稿では,テキストベースのアクタ・クリティカル(TAC)エージェントを提案する。
  論文  参考訳（メタデータ） (2023-05-06T16:05:27Z)
• Infusing Commonsense World Models with Graph Knowledge [89.27044249858332]
  オープンワールドテキストアドベンチャーゲームにおける物語生成の設定について検討する。 基礎となるゲーム状態のグラフ表現は、接地グラフ表現と自然言語記述とアクションの両方を消費し出力するモデルを訓練するために使用することができる。
  論文  参考訳（メタデータ） (2023-01-13T19:58:27Z)
• Learning Action-Effect Dynamics from Pairs of Scene-graphs [50.72283841720014]
  本稿では,画像のシーングラフ表現を利用して,自然言語で記述された行動の効果を推論する手法を提案する。 提案手法は,既存のモデルと比較して,性能,データ効率,一般化能力の点で有効である。
  論文  参考訳（メタデータ） (2022-12-07T03:36:37Z)
• Learning Knowledge Graph-based World Models of Textual Environments [16.67845396797253]
  本研究は,テキストベースのゲーム環境のワールドモデル構築に焦点をあてる。 1)知識グラフとして世界を表現する際のエージェントの行動によって引き起こされる世界の変化を予測し,(2)世界での操作に必要な文脈的に関連する自然言語行動の集合を生成する。
  論文  参考訳（メタデータ） (2021-06-17T15:45:54Z)
• Situated Language Learning via Interactive Narratives [16.67845396797253]
  本稿では,文脈的関連のある自然言語を理解し,生成する能力を持つ学習エージェントの活用方法について考察する。 このようなエージェントを作成するための2つの重要なコンポーネントは、相互作用と環境接地です。 テキストゲームのパズルのような構造と自然言語状態とアクション空間が組み合わさったユニークな課題について論じる。
  論文  参考訳（メタデータ） (2021-03-18T01:55:16Z)
• Deep Reinforcement Learning with Stacked Hierarchical Attention for Text-based Games [64.11746320061965]
  自然言語の文脈におけるインタラクティブなシミュレーションであるテキストベースゲームの強化学習について検討する。 エージェントの動作が解釈可能な推論手順によって生成され、支援されるように、意思決定のための知識グラフを用いた明示的な推論を行うことを目指している。 提案手法を多数の人為的ベンチマークゲームで広範囲に評価し,本手法が既存のテキストベースエージェントよりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2020-10-22T12:40:22Z)
• Interactive Fiction Game Playing as Multi-Paragraph Reading Comprehension with Reinforcement Learning [94.50608198582636]
  対話型フィクション(IF)ゲームと実際の自然言語テキストは、言語理解技術に対する新たな自然な評価を提供する。 IFゲーム解決の新たな視点を捉え,MPRC(Multi-Passage Reading)タスクとして再フォーマットする。
  論文  参考訳（メタデータ） (2020-10-05T23:09:20Z)
• Exploration Based Language Learning for Text-Based Games [72.30525050367216]
  本研究は,テキストベースのコンピュータゲームにおいて,最先端の性能を発揮できる探索・模倣学習型エージェントを提案する。 テキストベースのコンピュータゲームは、自然言語でプレイヤーの世界を記述し、プレイヤーがテキストを使ってゲームと対話することを期待する。 これらのゲームは、言語理解、問題解決、および人工エージェントによる言語生成のためのテストベッドと見なすことができるため、興味がある。
  論文  参考訳（メタデータ） (2020-01-24T03:03:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。