结构化世界模型的对比学习
机器学习
2020-01-07 v2 人工智能
机器学习
摘要
以物体、关系和层次结构对我们世界的结构化理解是人类认知的重要组成部分。从原始感官数据中学习这样的结构化世界模型仍然是一项挑战。作为实现这一目标的一步，我们引入了对比训练的结构化世界模型（C-SWMs）。C-SWMs 在具有组合结构的环境中使用对比方法进行表示学习。我们将每个状态嵌入结构化为一组物体表示及其关系，由图神经网络建模。这使得物体能够在学习过程中无需直接监督即可从原始像素观测中发现。我们在涉及多个可交互物体（可由智能体独立操控）的组合环境、简单 Atari 游戏和多物体物理仿真上评估了 C-SWMs。我们的实验表明，C-SWMs 能够克服基于像素重建模型的局限性，并在高度结构化环境中优于该类模型的典型代表，同时学习到可解释的基于物体的表示。
引用
@article{arxiv.1911.12247,
title = {Contrastive Learning of Structured World Models},
author = {Thomas Kipf and Elise van der Pol and Max Welling},
journal= {arXiv preprint arXiv:1911.12247},
year = {2020}
}
备注
ICLR 2020