論文の概要: Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2307.02689v1
• Date: Wed, 5 Jul 2023 23:21:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 15:43:37.329634
• Title: Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning
• Title（参考訳）: テキスト強化学習のための抽象的意味表現における記号規則の学習
• Authors: Subhajit Chaudhury, Sarathkrishna Swaminathan, Daiki Kimura, Prithviraj Sen, Keerthiram Murugesan, Rosario Uceda-Sosa, Michiaki Tatsubori, Achille Fokoue, Pavan Kapanipathi, Asim Munawar and Alexander Gray
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.148199057487226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-based reinforcement learning agents have predominantly been neural network-based models with embeddings-based representation, learning uninterpretable policies that often do not generalize well to unseen games. On the other hand, neuro-symbolic methods, specifically those that leverage an intermediate formal representation, are gaining significant attention in language understanding tasks. This is because of their advantages ranging from inherent interpretability, the lesser requirement of training data, and being generalizable in scenarios with unseen data. Therefore, in this paper, we propose a modular, NEuro-Symbolic Textual Agent (NESTA) that combines a generic semantic parser with a rule induction system to learn abstract interpretable rules as policies. Our experiments on established text-based game benchmarks show that the proposed NESTA method outperforms deep reinforcement learning-based techniques by achieving better generalization to unseen test games and learning from fewer training interactions.
• Abstract（参考訳）: テキストベースの強化学習エージェントは、主に埋め込みベースの表現を持つニューラルネットワークベースのモデルであり、しばしば目に見えないゲームにうまく一般化しない解釈不能なポリシーを学ぶ。 一方、ニューロシンボリックな手法、特に中間形式表現を利用する手法は、言語理解タスクにおいて重要な注目を集めている。 これは、固有の解釈可能性、トレーニングデータのより少ない要件、そして目に見えないデータを持つシナリオで一般化できるという利点がある。 そこで本稿では,汎用意味解析システムとルール帰納システムを組み合わせて,抽象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 NEuro-Symbolic Textual Agent (NESTA) を提案する。 確立されたテキストベースのゲームベンチマークを用いた実験により,本手法は,未知覚テストゲームへのより良い一般化と,少ないトレーニングインタラクションによる学習を実現することにより,深層強化学習ベース手法よりも優れていることが示された。

関連論文リスト

• Pre-trained Text-to-Image Diffusion Models Are Versatile Representation Learners for Control [73.6361029556484]
  身体的なAIエージェントは、視覚的および言語入力を介して、物理的な世界を詳細に理解する必要がある。 テキストプロンプトから画像を生成するために明示的に最適化された事前学習されたテキスト画像拡散モデルについて検討する。 安定度制御表現により,OVMM上での最先端性能を示す学習ポリシーが実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-09T15:39:54Z)
• On the Effects of Fine-tuning Language Models for Text-Based Reinforcement Learning [19.057241328691077]
  テキストベースRLエージェントの効率的な訓練には,意味理解の充実が寄与することを示す。 本稿では,言語モデルの不適切な微調整の結果,意味的変性の発生について述べる。
  論文  参考訳（メタデータ） (2024-04-15T23:05:57Z)
• Pre-Training to Learn in Context [138.0745138788142]
  言語モデルが文脈で学習するために明示的に訓練されていないため、コンテキスト内学習の能力は十分に活用されていない。 In-Context Learning のための PICL (Pre-training for In-Context Learning) を提案する。 実験の結果,PICLはベースラインよりも効率が高く,タスクの汎用性が高く,約4倍のパラメータを持つ言語モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-16T03:38:06Z)
• 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)
• Dependency Induction Through the Lens of Visual Perception [81.91502968815746]
  本稿では,単語の具体性を利用した教師なし文法帰納モデルと,構成的視覚に基づく構成的文法を共同学習する手法を提案する。 実験により,提案した拡張は,文法的サイズが小さい場合でも,現在最先端の視覚的接地モデルよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-09-20T18:40:37Z)
• Continual Learning for Text Classification with Information Disentanglement Based Regularization [18.258948837964724]
  テキスト分類に基づく連続学習のための情報分散に基づく正規化手法を提案する。 大規模ベンチマーク実験の結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-04-12T14:17:43Z)
• 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)
• Systematic Generalization on gSCAN with Language Conditioned Embedding [19.39687991647301]
  体系的一般化とは、学習アルゴリズムが学習した振る舞いを目に見えない状況に外挿する能力を指す。 本稿では,入力自然言語を条件とした動的メッセージパッシングによるオブジェクトの文脈的埋め込みを学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-11T17:35:05Z)

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。