情境智能体中系统性及泛化的环境驱动因素
人工智能
2020-02-20 v4
摘要
深度神经网络是否善于在其直接训练经验之外进行泛化，对于基于学习的 AI 方法至关重要。在此，我们考虑需要智能体通过操控和摆放 3D Unity 模拟房间中的物体来响应前所未见指令的离样泛化测试。我们首先描述一种在这些测试中表现强劲的较为通用的智能体架构。然后，我们确定了训练机制与环境中对其性能有显著影响的三个方面：（a）训练集中物体/词语经验的数量；（b）由智能体视角或参照系所提供的视觉不变性；（c）智能体感知的感知方面所固有的视觉输入多样性。我们的发现表明，网络所展现的泛化程度可能关键取决于给定任务所处环境的细节。它们进一步提示，若像人类儿童一样，这些网络在学习过程中能获取许多丰富多变的多模态观察帧，则神经网络以系统性方式泛化的倾向可能会增强。
引用
@article{arxiv.1910.00571,
title = {Environmental drivers of systematicity and generalization in a situated agent},
author = {Felix Hill and Andrew Lampinen and Rosalia Schneider and Stephen Clark and Matthew Botvinick and James L. McClelland and Adam Santoro},
journal= {arXiv preprint arXiv:1910.00571},
year = {2020}
}