論文の概要: Learning Adaptive Language Interfaces through Decomposition

• arxiv url: http://arxiv.org/abs/2010.05190v1
• Date: Sun, 11 Oct 2020 08:27:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 12:40:53.633780
• Title: Learning Adaptive Language Interfaces through Decomposition
• Title（参考訳）: 分解による適応型言語インタフェースの学習
• Authors: Siddharth Karamcheti, Dorsa Sadigh, Percy Liang
• Abstract要約: 本稿では,分解による新しいハイレベルな抽象化を学習するニューラルセマンティック解析システムを提案する。 ユーザは、新しい振る舞いを記述する高レベルな発話を低レベルなステップに分解することで、対話的にシステムを教える。
• 参考スコア（独自算出の注目度）: 89.21937539950966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Our goal is to create an interactive natural language interface that efficiently and reliably learns from users to complete tasks in simulated robotics settings. We introduce a neural semantic parsing system that learns new high-level abstractions through decomposition: users interactively teach the system by breaking down high-level utterances describing novel behavior into low-level steps that it can understand. Unfortunately, existing methods either rely on grammars which parse sentences with limited flexibility, or neural sequence-to-sequence models that do not learn efficiently or reliably from individual examples. Our approach bridges this gap, demonstrating the flexibility of modern neural systems, as well as the one-shot reliable generalization of grammar-based methods. Our crowdsourced interactive experiments suggest that over time, users complete complex tasks more efficiently while using our system by leveraging what they just taught. At the same time, getting users to trust the system enough to be incentivized to teach high-level utterances is still an ongoing challenge. We end with a discussion of some of the obstacles we need to overcome to fully realize the potential of the interactive paradigm.
• Abstract（参考訳）: 私たちの目標は、シミュレーションロボット設定でタスクを完了させるために、ユーザから効率的かつ確実に学習する対話型自然言語インターフェースを作ることです。 ユーザは、新しい振る舞いを記述するハイレベルな発話を理解可能な低レベルなステップに分割することで、対話的にシステムを教えます。 残念なことに、既存の手法は文を限られた柔軟性で解析する文法や、個々の例から効率よく、確実に学習しないニューラルネットワーク列列列モデルに依存している。 私たちのアプローチは、このギャップを橋渡し、現代のニューラルネットワークの柔軟性と、文法ベースの方法の1ショット信頼できる一般化を示しています。 クラウドソースによるインタラクティブな実験は、ユーザが学習したことを活用しながら、複雑なタスクをより効率的に完了することを示唆している。 同時に、ユーザに高いレベルの発話を教えるインセンティブを与えるのに十分なシステムを信頼してもらうことは、まだ進行中の課題である。 対話的パラダイムの可能性を完全に実現するために克服する必要がある障害のいくつかについて、最後に議論する。

関連論文リスト

• Interpretable Robotic Manipulation from Language [11.207620790833271]
  本稿では,操作タスクに特化して設計された,Ex-PERACTという説明可能な行動クローニングエージェントを紹介する。 トップレベルでは、モデルは個別のスキルコードを学ぶことを任務とし、下位レベルでは、ポリシーネットワークは問題をボクセル化されたグリッドに変換し、離散化されたアクションをボクセルグリッドにマップする。 提案手法は,RLBenchベンチマークを用いた8つの操作課題にまたがって評価し,Ex-PERACTが競合する政策性能を達成するだけでなく,複雑な環境下でのヒューマンインストラクションとマシン実行のギャップを効果的に橋渡しすることを示した。
  論文  参考訳（メタデータ） (2024-05-27T11:02:21Z)
• VAL: Interactive Task Learning with GPT Dialog Parsing [2.6207405455197827]
  大規模言語モデル(LLM)は脆性に耐性があるが、解釈不可能であり、漸進的に学習することはできない。 LLM/シンボリック統合のための新しい哲学を持つIPLシステムであるVALを提案する。 ゲーム環境におけるVALのユーザインタラクションについて検討し,VALが自然であると感じた言語を用いて,ほとんどのユーザがVALを学べることを発見した。
  論文  参考訳（メタデータ） (2023-10-02T20:45:41Z)
• Language-Driven Representation Learning for Robotics [115.93273609767145]
  ロボット工学における視覚表現学習の最近の研究は、日々の作業を行う人間の大規模なビデオデータセットから学ぶことの可能性を実証している。 人間のビデオやキャプションから言語による表現学習を行うためのフレームワークを提案する。 我々は、Voltronの言語駆動学習が、特に高レベル制御を必要とするターゲット問題において、先行技術よりも優れていることを発見した。
  論文  参考訳（メタデータ） (2023-02-24T17:29:31Z)
• "No, to the Right" -- Online Language Corrections for Robotic Manipulation via Shared Autonomy [70.45420918526926]
  LILACは、実行中に自然言語の修正をオンラインで実施し、適応するためのフレームワークである。 LILACは人間とロボットを個別にターンテイクする代わりに、人間とロボットの間にエージェンシーを分割する。 提案手法は,タスク完了率が高く,ユーザによって主観的に好まれることを示す。
  論文  参考訳（メタデータ） (2023-01-06T15:03:27Z)
• The Whole Truth and Nothing But the Truth: Faithful and Controllable Dialogue Response Generation with Dataflow Transduction and Constrained Decoding [65.34601470417967]
  本稿では,ニューラルネットワークモデリングとルールベース生成の強みを組み合わせた対話応答生成のためのハイブリッドアーキテクチャについて述べる。 本実験により, 本システムは, 流布性, 妥当性, 真理性の評価において, ルールベースおよび学習的アプローチの両方に優れることがわかった。
  論文  参考訳（メタデータ） (2022-09-16T09:00:49Z)
• Findings from Experiments of On-line Joint Reinforcement Learning of Semantic Parser and Dialogue Manager with real Users [3.9686445409447617]
  本論文では,これらの困難を緩和する便利な方法として,オンライン学習を追求する。 新しい課題は、ユーザが生み出すオンライン学習のコストを制御することである。
  論文  参考訳（メタデータ） (2021-10-25T18:51:41Z)
• GenNI: Human-AI Collaboration for Data-Backed Text Generation [102.08127062293111]
  Table2Textシステムは、機械学習を利用した構造化データに基づいてテキスト出力を生成する。 GenNI (Generation Negotiation Interface) は、対話型ビジュアルシステムである。
  論文  参考訳（メタデータ） (2021-10-19T18:07:07Z)
• Neural Abstructions: Abstractions that Support Construction for Grounded Language Learning [69.1137074774244]
  言語の相互作用を効果的に活用するには、言語基底に対する2つの最も一般的なアプローチの制限に対処する必要がある。 本稿では,ラベル条件付き生成モデルの推論手順に対する制約のセットであるニューラル・アブストラクションの考え方を紹介する。 この手法により,マインクラフトにおけるオープンエンドハウスタスクのセマンティックな変更をユーザ人口が構築できることが示される。
  論文  参考訳（メタデータ） (2021-07-20T07:01:15Z)
• Interactive Teaching for Conversational AI [2.5259192787433706]
  現在の会話型AIシステムは、事前設計された要求のセットを理解し、関連するアクションを実行することを目的としている。 子どもが大人と対話する最初の言語を学習する方法に触発された本論文では、新しいTeachable AIシステムについて述べる。 インタラクティブな授業セッションを使ってエンドユーザーから直接、概念と呼ばれる新しい言語ナゲットを学ぶことができる。
  論文  参考訳（メタデータ） (2020-12-02T04:08:49Z)

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。