論文の概要: LOA: Logical Optimal Actions for Text-based Interaction Games

• arxiv url: http://arxiv.org/abs/2110.10973v1
• Date: Thu, 21 Oct 2021 08:36:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 13:35:41.907157
• Title: LOA: Logical Optimal Actions for Text-based Interaction Games
• Title（参考訳）: LOA:テキストベースのインタラクションゲームのための論理的最適アクション
• Authors: Daiki Kimura, Subhajit Chaudhury, Masaki Ono, Michiaki Tatsubori, Don Joven Agravante, Asim Munawar, Akifumi Wachi, Ryosuke Kohita, Alexander Gray
• Abstract要約: 本稿では、強化学習アプリケーションの行動決定アーキテクチャである論理的最適行動(LOA)を提案する。 LOAは、自然言語インタラクションゲームのためのニューラルネットワークとシンボリック知識獲得アプローチの組み合わせである。
• 参考スコア（独自算出の注目度）: 63.003353499732434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Logical Optimal Actions (LOA), an action decision architecture of reinforcement learning applications with a neuro-symbolic framework which is a combination of neural network and symbolic knowledge acquisition approach for natural language interaction games. The demonstration for LOA experiments consists of a web-based interactive platform for text-based games and visualization for acquired knowledge for improving interpretability for trained rules. This demonstration also provides a comparison module with other neuro-symbolic approaches as well as non-symbolic state-of-the-art agent models on the same text-based games. Our LOA also provides open-sourced implementation in Python for the reinforcement learning environment to facilitate an experiment for studying neuro-symbolic agents. Code: https://github.com/ibm/loa
• Abstract（参考訳）: 本稿では,自然言語相互作用ゲームのためのニューラルネットワークとシンボリック知識獲得手法を組み合わせたニューロシンボリックフレームワークを用いた強化学習アプリケーションの行動決定アーキテクチャである論理最適行動(loa)を提案する。 LOA実験のデモは、テキストベースのゲームのためのWebベースのインタラクティブプラットフォームと、トレーニングされたルールの解釈可能性を改善するための獲得した知識の可視化で構成されている。 このデモンストレーションは、他のニューロシンボリックアプローチとの比較モジュールや、同じテキストベースのゲームにおける非シンボル的エージェントモデルも提供する。 我々のLOAは、強化学習環境のためのPythonのオープンソース実装も提供し、ニューロシンボリックエージェントの研究を容易にする。 コード: https://github.com/ibm/loa

関連論文リスト

• Prompt2DeModel: Declarative Neuro-Symbolic Modeling with Natural Language [18.00674366843745]
  本稿では,自然言語による複雑なニューロシンボリックモデルのためのドメイン知識構築のためのパイプラインを提案する。 提案するパイプラインは,動的なコンテキスト内実演検索,シンボル可視化からのフィードバックに基づくモデル改良,ユーザインタラクションなどの手法を利用する。 このアプローチによって、ML/AIに精通していないドメイン専門家でさえ、自身の知識をカスタマイズされたニューラルモデルに組み込むように正式に宣言することが可能になる。
  論文  参考訳（メタデータ） (2024-07-30T03:10:30Z)
• Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning [63.148199057487226]
  本稿では,汎用的な意味一般化とルール誘導システムを組み合わせて,解釈可能なルールをポリシーとして学習するモジュール型 NEuroSymbolic Textual Agent (NESTA) を提案する。 実験の結果,NESTA法は,未確認テストゲームや少ないトレーニングインタラクションから学習することで,深層強化学習技術よりも優れることがわかった。
  論文  参考訳（メタデータ） (2023-07-05T23:21:05Z)
• Emotion Recognition in Conversation using Probabilistic Soft Logic [17.62924003652853]
  会話における感情認識(英: emotion recognition in conversation、ERC)とは、2つ以上の発話を含む会話に焦点を当てた感情認識のサブフィールドである。 我々は,宣言的テンプレート言語である確率的ソフト論理(PSL)にアプローチを実装した。 PSLは、ニューラルモデルからPSLモデルへの結果の取り込みのための機能を提供する。 提案手法を最先端の純粋ニューラルネットワークERCシステムと比較した結果,約20%の改善が得られた。
  論文  参考訳（メタデータ） (2022-07-14T23:59:06Z)
• elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
  本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。 このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。 elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-17T16:23:45Z)
• Neural-Symbolic Integration for Interactive Learning and Conceptual Grounding [1.14219428942199]
  本稿では,抽象概念の説明と対話型学習のためのニューラルシンボリック統合を提案する。 ユーザとのインタラクションは、ニューラルモデルのリビジョンを確認または拒否する。 このアプローチはLogic NetworkフレームワークとConcept Activation Vectorsを使って説明され、Conal Neural Networkに適用される。
  論文  参考訳（メタデータ） (2021-12-22T11:24:48Z)
• Neuro-Symbolic Reinforcement Learning with First-Order Logic [63.003353499732434]
  論理ニューラルネットワークと呼ばれる最近のニューラルシンボリック・フレームワークを用いたテキストベースゲームのための新しいRL手法を提案する。 実験の結果,提案手法を用いたRLトレーニングは,TextWorldベンチマークにおいて,他の最先端のニューロシンボリック手法よりもはるかに高速に収束することがわかった。
  論文  参考訳（メタデータ） (2021-10-21T08:21:49Z)
• Neuro-Symbolic Representations for Video Captioning: A Case for Leveraging Inductive Biases for Vision and Language [148.0843278195794]
  ビデオキャプションのためのマルチモーダルなニューラルシンボリック表現を学習するための新しいモデルアーキテクチャを提案する。 本手法では,ビデオ間の関係を学習する辞書学習手法と,そのペアによるテキスト記述を用いる。
  論文  参考訳（メタデータ） (2020-11-18T20:21:19Z)
• 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)
• Modeling Content and Context with Deep Relational Learning [31.854529627213275]
  DRaiLは、ディープリレーショナルモデルを特定するためのオープンソースの宣言型フレームワークである。 我々のフレームワークは、表現型言語エンコーダとの容易な統合をサポートし、表現、推論、学習間の相互作用を研究するためのインターフェースを提供する。
  論文  参考訳（メタデータ） (2020-10-20T17:09:35Z)

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。