复杂智能体环境中学习与编码结构丰富轨迹的表示框架
人工智能
2026-03-20 v3 机器学习
摘要
人工智能智能体在复杂场景中做出最优决策并将其泛化到不同领域和任务的能力会受到削弱。解决该问题的一种途径是学习世界的高效表示，以及智能体动作如何在状态-动作转移中影响这些表示。尽管此类表示在过程上是高效的，但缺乏结构丰富性。为解决这一问题，我们提出增强智能体的本体论，并扩展轨迹的传统概念化，以提供对任务执行的更细致视角。结构丰富轨迹（SETs）通过引入对象、交互和可供性之间的分层关系，扩展了状态序列及其转移的编码。SETs 被构建为多级图，提供了智能体动态的详细表示和任务的可迁移功能抽象。SETs 被集成到一个架构——结构丰富轨迹学习与编码（SETLE）中，该架构采用对泛化至关重要的多级关系依赖的异构图记忆结构。我们证明 SETLE 能够支持下游任务，使智能体能够在 CREATE 和 MiniGrid 环境中识别与任务相关的结构模式。最后，我们将 SETLE 与强化学习相结合，并展示了在下游性能上的可测量提升，包括在复杂、稀疏奖励任务中取得突破性的成功率。
引用
@article{arxiv.2503.13194,
title = {A representational framework for learning and encoding structurally enriched trajectories in complex agent environments},
author = {Corina Catarau-Cotutiu and Esther Mondragon and Eduardo Alonso},
journal= {arXiv preprint arXiv:2503.13194},
year = {2026}
}