論文の概要: Ask & Explore: Grounded Question Answering for Curiosity-Driven Exploration

• arxiv url: http://arxiv.org/abs/2104.11902v1
• Date: Sat, 24 Apr 2021 07:56:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 03:22:35.131604
• Title: Ask & Explore: Grounded Question Answering for Curiosity-Driven Exploration
• Title（参考訳）: ask & explore: 好奇心駆動探索のための根拠付き質問応答
• Authors: Jivat Neet Kaur, Yiding Jiang, Paul Pu Liang
• Abstract要約: エージェントに対する外在的な報酬が極めて少ない現実のシナリオでは、好奇心は有用な概念として現れている。 本稿では,エージェントに環境に関する質問をするように促し,接地質問応答に基づく好奇心を定式化する。 自然言語に関する質問は,対象の物理的性質や他の対象との空間的関係など,その環境に関する特定の知識を明らかにすることを促す。
• 参考スコア（独自算出の注目度）: 17.28353205476766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many real-world scenarios where extrinsic rewards to the agent are extremely sparse, curiosity has emerged as a useful concept providing intrinsic rewards that enable the agent to explore its environment and acquire information to achieve its goals. Despite their strong performance on many sparse-reward tasks, existing curiosity approaches rely on an overly holistic view of state transitions, and do not allow for a structured understanding of specific aspects of the environment. In this paper, we formulate curiosity based on grounded question answering by encouraging the agent to ask questions about the environment and be curious when the answers to these questions change. We show that natural language questions encourage the agent to uncover specific knowledge about their environment such as the physical properties of objects as well as their spatial relationships with other objects, which serve as valuable curiosity rewards to solve sparse-reward tasks more efficiently.
• Abstract（参考訳）: エージェントに対する外在的な報酬が極めて希薄な現実のシナリオでは、エージェントが環境を探索し、その目標を達成するために情報を得ることのできる本質的な報酬を提供する有用な概念として好奇心が出現している。 多くの疎外的なタスクで強いパフォーマンスを誇っているにもかかわらず、既存の好奇心のアプローチは状態遷移の過度な全体論的見解に依存しており、環境の特定の側面の構造化された理解を許していない。 本稿では,環境に関する質問をエージェントに促し,これらの質問に対する回答がいつ変わるのかを問うことで,根拠付き質問応答に基づく好奇心を定式化する。 自然言語の質問は,物体の物理的特性や他の物体との空間的関係などの環境に関する特定の知識を明らかにすることを促進し,スパース・リワードの課題をより効率的に解決するための貴重な好奇心の報酬となることを示す。

関連論文リスト

• Answerability Fields: Answerable Location Estimation via Diffusion Models [9.234108543963568]
  本研究では,複雑な屋内環境における解答可能性を予測する新しい手法Answerability Fieldsを提案する。 本研究は,現場下での作業指導における解答性フィールドの有効性を示すものである。
  論文  参考訳（メタデータ） (2024-07-26T04:02:46Z)
• Analyzing Human Questioning Behavior and Causal Curiosity through Natural Queries [91.70689724416698]
  NatQuest(ナットクエスト)は、3つの異なるソースから自然発生の質問13,500件のコレクションである。 分析の結果,データセット内には因果的疑問(最大42%)が有意な存在であることが判明した。
  論文  参考訳（メタデータ） (2024-05-30T17:55:28Z)
• Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
  オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。 本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。 データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T19:32:39Z)
• Information Content Exploration [1.7034813545878589]
  本稿では,探索行動の体系的定量化と状態カバレッジの促進を図った本質的な報奨を提案する。 情報理論的報酬は,様々なゲームにおいて,効率的な探索や性能向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-10-10T16:51:32Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Embodied Agents for Efficient Exploration and Smart Scene Description [47.82947878753809]
  我々は、自律的なエージェントが見えない屋内環境を探索し、マッピングする必要がある視覚ナビゲーションの設定に取り組む。 本稿では,視覚ロボット探査と画像キャプションの最近の進歩を組み合わせたアプローチを提案し,評価する。 提案手法は,環境の意味的知識を最大化し,繰り返しを避けるスマートなシーン記述を生成する。
  論文  参考訳（メタデータ） (2023-01-17T19:28:01Z)
• Five Properties of Specific Curiosity You Didn't Know Curious Machines Should Have [4.266866385061999]
  我々は、動物と機械の好奇心の分野を包括的に多分野的に調査する。 我々は、特定の好奇心の最も重要な特性の5つのうちの1つと考えるものを紹介し、定義する。 概念強化学習エージェントにおいて,これらの特性をどのように組み合わせて実装するかを示す。
  論文  参考訳（メタデータ） (2022-12-01T00:18:56Z)
• Prototyping three key properties of specific curiosity in computational reinforcement learning [3.1498833540989413]
  本稿では,これらの特性の最も即時的な3点を紹介し,概念強化学習エージェントでどのように実装されるかを示す。 希望するように、エージェントは、好奇心を誘発する状況を適応的に求めるために、長期的な嗜好を更新しながら、短期的な指示行動を示す。 この研究は、特定の好奇心がどのように機能し、将来は複雑な環境におけるゴール探索、意思決定エージェントの行動に統合されるかもしれない、という新しい見解を提示する。
  論文  参考訳（メタデータ） (2022-05-20T18:58:18Z)
• Asking for Knowledge: Training RL Agents to Query External Knowledge Using Language [121.56329458876655]
  グリッドワールドベースのQ-BabyAIとテキストベースのQ-TextWorldの2つの新しい環境を紹介した。 本稿では,意味のある知識を問うための言語コマンドを生成する「知識の探索(AFK)」エージェントを提案する。
  論文  参考訳（メタデータ） (2022-05-12T14:20:31Z)
• Information is Power: Intrinsic Control via Information Capture [110.3143711650806]
  我々は,潜時状態空間モデルを用いて推定したエージェントの状態訪問のエントロピーを最小化する,コンパクトで汎用的な学習目的を論じる。 この目的は、不確実性の低減に対応する環境情報収集と、将来の世界状態の予測不可能性の低減に対応する環境制御の両方をエージェントに誘導する。
  論文  参考訳（メタデータ） (2021-12-07T18:50:42Z)
• Is Curiosity All You Need? On the Utility of Emergent Behaviours from Curious Exploration [20.38772636693469]
  我々は、好奇心を高速な環境探索や、特定のタスクに対するボーナス報酬として使うだけでは、この手法の潜在能力を最大限に活用できないと論じている。 好奇心に基づく学習において出現する行動の維持に焦点を移すことを提案する。
  論文  参考訳（メタデータ） (2021-09-17T15:28:25Z)

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。