结合深度学习与定性空间推理从含噪稀疏样本中学习复杂结构
人工智能
2018-11-28 v1
摘要
许多现代机器学习方法需要大量训练数据来学习新概念；相反，人类学习通常只需极少例子——有时仅一个——学习者便可从中抽象出结构概念。我们提出了一种向 AI 智能体引入新空间结构的新型方法，将基于定性空间关系的深度学习与多种启发式搜索算法相结合。该智能体从基于积木结构的含噪稀疏样本中提取空间关系，并训练这些关系集的卷积与序列模型。为创建相似结构的全新例子，智能体开始在虚拟桌上放置积木，使用 CNN 在每次放置后预测最相似的完整示例结构，使用 LSTM 预测完成该结构所需的最可能剩余动作序列，并通过启发式搜索给出推荐。我们通过观察智能体的虚拟积木搭建活动来验证其已学到概念，其中它对朝向构建所学概念的每个潜在后续动作进行排序。我们用人类参与者对积木结构的评分对该方法进行经验评估。训练后智能体生成结构的初步结果与定性评估显示了其从训练数据中泛化的概念、搜索空间中表现最佳的启发式，以及我们可如何改进学习与执行。
引用
@article{arxiv.1811.11064,
title = {Combining Deep Learning and Qualitative Spatial Reasoning to Learn Complex Structures from Sparse Examples with Noise},
author = {Nikhil Krishnaswamy and Scott Friedman and James Pustejovsky},
journal= {arXiv preprint arXiv:1811.11064},
year = {2018}
}