面向零样本协作的协作式开放式学习框架
人工智能
2024-03-01 v4 机器学习
摘要
协作式人工智能（AI）中的零样本协作仍是一项重大挑战，即意味着与大量未见过的伙伴有效协作。先前的算法试图通过在群体内部优化固定目标来提升策略或行为多样性以应对该挑战。然而，这些方法可能导致学习能力的丧失，以及无法与群体内某些策略协作，称为协作不兼容。为解决此问题，我们提出协作式开放式学习（COLE）框架，该框架从图论视角在双人协作博弈中构建开放式目标，以评估和识别各策略的协作能力。我们进一步具体化该框架，并提出一种利用博弈论与图论知识的实用算法。此外，对该算法学习过程的分析表明其能高效克服协作不兼容。在 Overcooked 博弈环境中的实验结果证明，我们的方法在与不同水平伙伴协作时优于当前最先进的方法。我们的演示可在 https://sites.google.com/view/cole-2023 获取。
引用
@article{arxiv.2302.04831,
title = {Cooperative Open-ended Learning Framework for Zero-shot Coordination},
author = {Yang Li and Shao Zhang and Jichen Sun and Yali Du and Ying Wen and Xinbing Wang and Wei Pan},
journal= {arXiv preprint arXiv:2302.04831},
year = {2024}
}
备注
15 pages with 9 pages main body