通过基于模型的强化学习提高类比推理在抽象与推理语料库中的表现
人工智能
2024-08-28 v1 计算机科学中的逻辑
摘要
本文表明，基于模型的强化学习（model-based RL）是解决类比推理任务的合适方法。我们假设基于模型的 RL 能够通过创建内部模型来更高效地解决类比推理任务。为此，我们在抽象与推理语料库（ARC）任务上将 DreamerV3 这种基于模型的 RL 方法与近端策略优化——一种基于模型的 RL 方法进行比较。我们的结果表明，基于模型的 RL 不仅在学习和从单个任务中泛化方面超过基于模型的 RL 方法，而且在跨越相似任务的推理方面显示出显著优势。
引用
@article{arxiv.2408.14855,
title = {Enhancing Analogical Reasoning in the Abstraction and Reasoning Corpus via Model-Based RL},
author = {Jihwan Lee and Woochang Sim and Sejin Kim and Sundong Kim},
journal= {arXiv preprint arXiv:2408.14855},
year = {2024}
}
备注
Accepted to IJCAI 2024 IARML Workshop