論文の概要: Learning a Hierarchical Planner from Humans in Multiple Generations

• arxiv url: http://arxiv.org/abs/2310.11614v1
• Date: Tue, 17 Oct 2023 22:28:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 18:16:54.929057
• Title: Learning a Hierarchical Planner from Humans in Multiple Generations
• Title（参考訳）: 複数の世代における階層型プランナーの学習
• Authors: Leonardo Hernandez Cano, Yewen Pu, Robert D. Hawkins, Josh Tenenbaum, Armando Solar-Lezama
• Abstract要約: 本稿では,プログラム型学習と階層型プランナを組み合わせたライブラリ学習システムである自然言語プログラミングについて述べる。 ユーザは、難しいが不可能ではない目標を特定することによって、カリキュラム構築を通じてシステムを教える。 このシステムは、言語ヒントを用いて、その確率分布を導く階層的計画を通じて目標を達成する。
• 参考スコア（独自算出の注目度）: 21.045112705349222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A typical way in which a machine acquires knowledge from humans is by programming. Compared to learning from demonstrations or experiences, programmatic learning allows the machine to acquire a novel skill as soon as the program is written, and, by building a library of programs, a machine can quickly learn how to perform complex tasks. However, as programs often take their execution contexts for granted, they are brittle when the contexts change, making it difficult to adapt complex programs to new contexts. We present natural programming, a library learning system that combines programmatic learning with a hierarchical planner. Natural programming maintains a library of decompositions, consisting of a goal, a linguistic description of how this goal decompose into sub-goals, and a concrete instance of its decomposition into sub-goals. A user teaches the system via curriculum building, by identifying a challenging yet not impossible goal along with linguistic hints on how this goal may be decomposed into sub-goals. The system solves for the goal via hierarchical planning, using the linguistic hints to guide its probability distribution in proposing the right plans. The system learns from this interaction by adding newly found decompositions in the successful search into its library. Simulated studies and a human experiment (n=360) on a controlled environment demonstrate that natural programming can robustly compose programs learned from different users and contexts, adapting faster and solving more complex tasks when compared to programmatic baselines.
• Abstract（参考訳）: 機械が人間から知識を得る典型的な方法は、プログラミングである。 デモや経験から学んだことと比較すると、プログラム学習はプログラムを書くとすぐに新しいスキルを習得することができ、プログラムのライブラリを構築することで、マシンは複雑なタスクの実行方法を素早く学習することができる。 しかし、プログラムは実行コンテキストを当然とするため、コンテキストが変化すると不安定になり、複雑なプログラムを新しいコンテキストに適応させることが困難になる。 本稿では,プログラミング学習と階層型プランナーを組み合わせたライブラリ学習システムであるnatural programmingを提案する。 自然プログラミングは、ゴールと、そのゴールがどのようにサブゴールに分解されるかの言語記述と、その分解の具体的な例からなる分解のライブラリを維持している。 ユーザは、この目標をサブゴールに分解する方法に関する言語的ヒントとともに、難しいが不可能でない目標を特定することによって、カリキュラム構築を通じてシステムを教える。 このシステムは階層的な計画を通じて目標を解決し、言語的ヒントを用いてその確率分布を導出し、適切な計画を提案する。 本システムは,ライブラリに新たに発見された分解を加えて,この相互作用から学習する。 制御された環境におけるシミュレーション研究と人間実験(n=360)は、自然プログラミングが異なるユーザとコンテキストから学んだプログラムを堅牢に構成できることを示し、より高速に適応し、プログラムのベースラインと比較して複雑なタスクを解決する。

関連論文リスト

• Finding structure in logographic writing with library learning [55.63800121311418]
  書記システムにおける構造を発見するための計算フレームワークを開発する。 我々の枠組みは中国語の表記体系における既知の言語構造を発見する。 図書館学習のアプローチが、人間の認知における構造の形成の基盤となる基本的な計算原理を明らかにするのにどのように役立つかを実証する。
  論文  参考訳（メタデータ） (2024-05-11T04:23:53Z)
• Language Evolution with Deep Learning [49.879239655532324]
  計算モデリングは言語の出現の研究において重要な役割を担っている。 構造化言語の出現を誘発する可能性のある条件と学習プロセスをシミュレートすることを目的としている。 この章では、最近機械学習の分野に革命をもたらした別の種類の計算モデル、ディープ・ラーニング・モデルについて論じる。
  論文  参考訳（メタデータ） (2024-03-18T16:52:54Z)
• PwR: Exploring the Role of Representations in Conversational Programming [17.838776812138626]
  PwR(Programming with Representations)は、自然言語でシステムの理解をユーザに伝えるために表現を使用する手法である。 その結果,表現は理解可能性を大幅に向上させ,参加者の間にエージェンシーの感覚を植え付けることができた。
  論文  参考訳（メタデータ） (2023-09-18T05:38:23Z)
• Neuro-Symbolic Causal Language Planning with Commonsense Prompting [67.06667162430118]
  言語プランニングは、より単純な低レベルステップに分解することで、複雑な高レベルな目標を実装することを目的としている。 以前の手法では、大規模な言語モデルからそのような能力を得るために、手動の例えか注釈付きプログラムが必要である。 本稿では,LLMからの手続き的知識をコモンセンス・インフュージョン・プロンプトにより引き起こすニューロシンボリック因果言語プランナー(CLAP)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T22:09:52Z)
• What Matters in Language Conditioned Robotic Imitation Learning [26.92329260907805]
  オフラインのフリーフォーム模倣データセットから言語条件付きポリシーを学習する際の最も重要な課題について検討する。 本稿では,CALVINベンチマークを用いて,言語条件の難易度を向上する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T08:45:32Z)
• Learning compositional programs with arguments and sampling [12.790055619773565]
  私たちは、特定の要件を満たすプログラムを見つけるために、機械学習モデルをトレーニングします。 我々は、引数を受理できる関数を生成することを学ぶことによって、アートモデルAlphaNPIの状態を拡張します。
  論文  参考訳（メタデータ） (2021-09-01T21:27:41Z)
• Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
  LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。 最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
  論文  参考訳（メタデータ） (2021-06-18T15:08:47Z)
• Learning Adaptive Language Interfaces through Decomposition [89.21937539950966]
  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。
  論文  参考訳（メタデータ） (2020-10-11T08:27:07Z)
• BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
  プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。 特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。 単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T17:46:18Z)
• Deep compositional robotic planners that follow natural language commands [21.481360281719006]
  サンプルベースのロボットプランナが、自然言語コマンドのシーケンスを理解するためにどのように拡張できるかを示す。 我々のアプローチは、オブジェクト、動詞、空間関係、属性を含む複雑なコマンドのパースに基づいて構築されたディープネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2020-02-12T19:56:58Z)

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。