論文の概要: Learning a natural-language to LTL executable semantic parser for grounded robotics

• arxiv url: http://arxiv.org/abs/2008.03277v3
• Date: Wed, 17 Mar 2021 03:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 01:20:49.232143
• Title: Learning a natural-language to LTL executable semantic parser for grounded robotics
• Title（参考訳）: グラウンドド・ロボティクスのためのltl実行可能な意味解析のための自然言語学習
• Authors: Christopher Wang, Candace Ross, Yen-Ling Kuo, Boris Katz, Andrei Barbu
• Abstract要約: 子どもたちは、言語が文脈でどのように使われているかを観察し、それを自分自身で使おうとすることによって、明らかな容易さで母国語を習得する。 我々は、自然言語コマンドの実行に使用できる潜伏した言語表現を発見する、接地型セマンティック再構成を訓練することで、同じことができるロボットに向けて一歩前進する。 私たちのモデルは、文と実行のペアとエグゼキュータで訓練されています。
• 参考スコア（独自算出の注目度）: 18.273615074415922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Children acquire their native language with apparent ease by observing how language is used in context and attempting to use it themselves. They do so without laborious annotations, negative examples, or even direct corrections. We take a step toward robots that can do the same by training a grounded semantic parser, which discovers latent linguistic representations that can be used for the execution of natural-language commands. In particular, we focus on the difficult domain of commands with a temporal aspect, whose semantics we capture with Linear Temporal Logic, LTL. Our parser is trained with pairs of sentences and executions as well as an executor. At training time, the parser hypothesizes a meaning representation for the input as a formula in LTL. Three competing pressures allow the parser to discover meaning from language. First, any hypothesized meaning for a sentence must be permissive enough to reflect all the annotated execution trajectories. Second, the executor -- a pretrained end-to-end LTL planner -- must find that the observe trajectories are likely executions of the meaning. Finally, a generator, which reconstructs the original input, encourages the model to find representations that conserve knowledge about the command. Together these ensure that the meaning is neither too general nor too specific. Our model generalizes well, being able to parse and execute both machine-generated and human-generated commands, with near-equal accuracy, despite the fact that the human-generated sentences are much more varied and complex with an open lexicon. The approach presented here is not specific to LTL: it can be applied to any domain where sentence meanings can be hypothesized and an executor can verify these meanings, thus opening the door to many applications for robotic agents.
• Abstract（参考訳）: 子どもたちは、言語が文脈でどのように使われているかを観察し、それ自身で使用しようとすることで、明らかな容易さで母国語を取得する。 厳格な注釈や否定的な例、あるいは直接的な修正も必要としない。 我々は、自然言語コマンドの実行に使用できる潜在言語表現を発見する、接地型セマンティックパーザを訓練することで、同じことができるロボットに向けて一歩前進する。 特に、時間的側面を持つコマンドの難易度ドメインに着目し、線形時間論理(LTL)で意味を捉える。 私たちのパーサーは、文と実行のペアとエグゼキュータで訓練されています。 トレーニング時に、パーザはLTLの式として入力の意味表現を仮説化する。 3つの競合する圧力により、パーサーは言語から意味を発見することができる。 第一に、ある文に対する仮定的な意味は、すべての注釈付き実行軌跡を反映するのに十分な許容度でなければならない。 第二に、事前訓練されたエンドツーエンドのltlプランナーであるexecutorは、observive trajectoriesがおそらくその意味の実行であることを示す必要がある。 最後に、元の入力を再構築するジェネレータは、モデルにコマンドに関する知識を保存する表現を見つけるように促す。 これらが合わさって、意味があまり一般的でもなく、具体的でもないことが保証される。 人間の生成した文がより多様で、オープンな辞書で複雑であるにもかかわらず、機械生成コマンドと人生成コマンドの両方をほぼ等しく解析・実行することが可能である。 ここで提示されるアプローチはltlに特有のものではなく、文の意味が仮説化され、実行者がこれらの意味を検証できる任意の領域に適用することができるため、ロボットエージェントの多くの応用への扉を開くことができる。

関連論文リスト

• An Incomplete Loop: Deductive, Inductive, and Abductive Learning in Large Language Models [99.31449616860291]
  現代の言語モデル(LM)は、異なる方法で新しいタスクを実行することを学べる。 次の命令では、ターゲットタスクは自然言語で明示的に記述され、少数ショットプロンプトでは、タスクは暗黙的に指定される。 命令推論では、LMはインコンテキストの例を示し、自然言語のタスク記述を生成するように促される。
  論文  参考訳（メタデータ） (2024-04-03T19:31:56Z)
• Underwater Robotics Semantic Parser Assistant [0.0]
  意味的構文解析は、自然言語をコンピュータが理解できる形で表現する手段である。 ここでは、シーケンスからシーケンスモデルを用いて、自然言語の発話を抽出し、それを解析可能なときに計算式に変換し、有限状態マシンで使用可能なXMLフォーマットに配置する。 実験結果から,現場の技術的個人と非技術的個人とのギャップを埋めることのできる,高精度なモデルを持つことが示唆された。
  論文  参考訳（メタデータ） (2023-01-28T09:04:43Z)
• Interactive Learning from Natural Language and Demonstrations using Signal Temporal Logic [5.88797764615148]
  自然言語(NL)は曖昧で、現実世界のタスクであり、それらの安全性要件はあいまいにコミュニケーションする必要がある。 Signal Temporal Logic (STL) は、ロボットタスクを記述するための汎用的で表現力があり、曖昧な形式言語として機能する形式論理である。 DIALOGUESTLは,(しばしば)曖昧なNL記述から正確かつ簡潔なSTL公式を学習するための対話的手法である。
  論文  参考訳（メタデータ） (2022-07-01T19:08:43Z)
• A Persistent Spatial Semantic Representation for High-level Natural Language Instruction Execution [54.385344986265714]
  本稿では,言語行動とロボット行動のギャップを埋めるために,永続的な空間意味表現法を提案する。 一般的なステップバイステップ命令を完全に回避しながら、ALFREDベンチマークに対する我々のアプローチを評価し、最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-07-12T17:47:19Z)
• Constrained Language Models Yield Few-Shot Semantic Parsers [73.50960967598654]
  我々は,事前学習された大規模言語モデルの利用を,少ない意味論として検討する。 意味構文解析の目標は、自然言語入力によって構造化された意味表現を生成することである。 言語モデルを用いて、入力を英語に似た制御されたサブ言語にパラフレーズし、対象の意味表現に自動的にマッピングする。
  論文  参考訳（メタデータ） (2021-04-18T08:13:06Z)
• Learning from Executions for Semantic Parsing [86.94309120789396]
  注釈付きデータの限られた量が利用できる半教師付き学習の課題に焦点をあてる。 ラベルなし発話に対する実行可能プログラムを提案する。
  論文  参考訳（メタデータ） (2021-04-12T21:07:53Z)
• Semantic Parsing with Less Prior and More Monolingual Data [12.715221084359085]
  本研究では,ジェネリックトランスフォーマに基づくseq2seqモデルが,最小のセマンティックパース比帰納バイアス設計で競合性能を達成できるかどうかを検討する。 並列コーパスとは異なり、Webからマイニングするのに安価であるターゲットプログラミング言語の比較的大規模なモノリンガルコーパスを利用することで、Djangoの80.75%の正確な一致精度とCoNaLaの32.57のBLEUスコアを達成しました。
  論文  参考訳（メタデータ） (2021-01-01T16:02:38Z)
• Infusing Finetuning with Semantic Dependencies [62.37697048781823]
  シンタックスとは異なり、セマンティクスは今日の事前訓練モデルによって表面化されないことを示す。 次に、畳み込みグラフエンコーダを使用して、タスク固有の微調整にセマンティック解析を明示的に組み込む。
  論文  参考訳（メタデータ） (2020-12-10T01:27:24Z)
• Is Supervised Syntactic Parsing Beneficial for Language Understanding? An Empirical Investigation [71.70562795158625]
  従来のNLPは、高レベルセマンティック言語理解(LU)の成功に必要な構文解析を長い間保持(教師付き)してきた。 近年のエンドツーエンドニューラルネットワークの出現、言語モデリング(LM)による自己監視、および幅広いLUタスクにおける成功は、この信念に疑問を投げかけている。 本研究では,LM-Pretrained Transformer Network の文脈における意味的LUに対する教師あり構文解析の有用性を実証的に検討する。
  論文  参考訳（メタデータ） (2020-08-15T21:03:36Z)

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。