論文の概要: Social Learning through Interactions with Other Agents: A Survey

• arxiv url: http://arxiv.org/abs/2407.21713v2
• Date: Sun, 4 Aug 2024 03:08:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 19:49:47.561635
• Title: Social Learning through Interactions with Other Agents: A Survey
• Title（参考訳）: 他エージェントとのインタラクションによるソーシャルラーニング:調査
• Authors: Dylan Hillier, Cheston Tan, Jing Jiang,
• Abstract要約: 社会学習は人間の知性の発展に重要な役割を果たしている。 近年の自然言語処理(NLP)により,新たな社会学習が実現されている。 我々は,人間の模倣を反映した行動的クローニングと次点予測について考察する。
• 参考スコア（独自算出の注目度）: 10.080296323732863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social learning plays an important role in the development of human intelligence. As children, we imitate our parents' speech patterns until we are able to produce sounds; we learn from them praising us and scolding us; and as adults, we learn by working with others. In this work, we survey the degree to which this paradigm -- social learning -- has been mirrored in machine learning. In particular, since learning socially requires interacting with others, we are interested in how embodied agents can and have utilised these techniques. This is especially in light of the degree to which recent advances in natural language processing (NLP) enable us to perform new forms of social learning. We look at how behavioural cloning and next-token prediction mirror human imitation, how learning from human feedback mirrors human education, and how we can go further to enable fully communicative agents that learn from each other. We find that while individual social learning techniques have been used successfully, there has been little unifying work showing how to bring them together into socially embodied agents.
• Abstract（参考訳）: 社会学習は人間の知性の発展に重要な役割を果たしている。 子どものころは、音を出すまで両親の発話パターンを模倣し、私たちを賞賛し、非難し、大人として、他の人と一緒に働くことで学びます。 本研究では,このパラダイム – 社会学習 – が機械学習にどのように反映されているかを調査する。 特に、学習は他者との対話を必要とするため、エージェントがどのように体現し、これらのテクニックを活用できるかに興味がある。 特に,近年の自然言語処理(NLP)の進歩により,新たな社会学習が実現された。 我々は、行動的クローン化と次世代の予測が人間の模倣をどのように反映するか、人間のフィードバックからの学習が人間の教育を反映しているか、そして、相互から学習する完全なコミュニケーションエージェントを実現するために、どのようにさらに進むことができるかを考察する。 個別の社会的学習技術は成功したが、それらを社会的に具体化したエージェントにどのように組み込むかを示す統一的な作業はほとんど行われていない。

関連論文リスト

• Learning mental states estimation through self-observation: a developmental synergy between intentions and beliefs representations in a deep-learning model of Theory of Mind [0.35154948148425685]
  心の理論(りょうがく、英: Theory of Mind、ToM)とは、信念、意図、精神状態などを他人に関連付ける能力である。 我々は,低レベル精神状態を予測する学習と,高レベル精神状態に寄与する学習との間に発達的な相乗効果を示す。 我々は,人間の社会的認知発達の理解に,我々の計算的アプローチが役立つことを示唆する。
  論文  参考訳（メタデータ） (2024-07-25T13:15:25Z)
• Bridging the Communication Gap: Artificial Agents Learning Sign Language through Imitation [6.1400257928108575]
  本研究は,実証から学ぶことによる非言語コミュニケーションスキルの獲得について考察する。 特に,人工エージェントの模倣学習に着目し,擬似ヒューマノイドアメリカン手話を教えることで実演した。 我々はコンピュータビジョンと深層学習を用いてビデオから情報を取り出すとともに、エージェントが観察された動作を再現できるように強化学習を行う。
  論文  参考訳（メタデータ） (2024-06-14T13:50:29Z)
• Advancing Social Intelligence in AI Agents: Technical Challenges and Open Questions [67.60397632819202]
  ソーシャルインテリジェントAIエージェント(Social-AI)の構築は、多分野、マルチモーダルな研究目標である。 我々は、社会AIを前進させるために、基礎となる技術的課題と、コンピューティングコミュニティ全体にわたる研究者のためのオープンな質問を特定します。
  論文  参考訳（メタデータ） (2024-04-17T02:57:42Z)
• SOTOPIA-$π$: Interactive Learning of Socially Intelligent Language Agents [73.35393511272791]
  本稿では,対話型学習手法であるSOTOPIA-$pi$を提案する。 この手法は,大規模言語モデル(LLM)の評価に基づいて,フィルタリングされた社会的相互作用データに対する行動クローニングと自己強化トレーニングを活用する。
  論文  参考訳（メタデータ） (2024-03-13T17:17:48Z)
• SOTOPIA: Interactive Evaluation for Social Intelligence in Language Agents [107.4138224020773]
  人工エージェントと人間との複雑な社会的相互作用をシミュレートするオープンエンド環境であるSOTOPIAを提案する。 エージェントは、複雑な社会的目標を達成するために協調し、協力し、交換し、互いに競い合う。 GPT-4は,人間よりも目標達成率が著しく低く,社会的常識的推論や戦略的コミュニケーション能力の発揮に苦慮していることがわかった。
  論文  参考訳（メタデータ） (2023-10-18T02:27:01Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• Social Neuro AI: Social Interaction as the "dark matter" of AI [0.0]
  我々は、社会心理学と社会神経科学の実証結果と力学の枠組みが、よりインテリジェントな人工エージェントの開発にインスピレーションを与えることができると主張している。
  論文  参考訳（メタデータ） (2021-12-31T13:41:53Z)
• SocialAI: Benchmarking Socio-Cognitive Abilities in Deep Reinforcement Learning Agents [23.719833581321033]
  人間との社会的相互作用に参加することができる、具体化された自律エージェントを構築することは、AIの主要な課題の1つだ。 人間レベルのAIを目指すためには、より広範な社会的スキルが必要である、と私たちは主張する。 DRLエージェントの社会的スキル獲得を評価するためのベンチマークであるSocialAIを提案する。
  論文  参考訳（メタデータ） (2021-07-02T10:39:18Z)
• Emergent Social Learning via Multi-agent Reinforcement Learning [91.57176641192771]
  社会学習は、人間と動物の知性の重要な構成要素である。 本稿では,独立系強化学習エージェントが,社会的学習を用いてパフォーマンスを向上させることを学べるかどうかを検討する。
  論文  参考訳（メタデータ） (2020-10-01T17:54:14Z)

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。