在模拟家庭环境中联邦学习符合社会规范的智能体行为
机器学习
2024-03-13 v1 人工智能
计算机与社会
机器人学
摘要
随着社交机器人日益融入日常生活，确保其行为符合社会规范至关重要。为了在开放世界中广泛应用，探索联邦学习（Federated Learning, FL）设置十分重要，在该设置下，单个机器人既能学习其独特环境，也能从彼此的经验中学习。在本文中，我们提出了一个新颖的 FL 基准测试，使用多标签回归目标评估不同策略，其中每个客户端单独学习预测不同机器人动作的社会适宜性，同时也与其他客户端共享其学习成果。此外，通过按不同上下文划分训练数据，使得每个客户端在不同上下文中增量学习，我们提出了一个新颖的联邦持续学习（Federated Continual Learning, FCL）基准测试，该测试将基于 FL 的方法适配为使用最先进的持续学习（Continual Learning, CL）方法，以在不同上下文设置下持续学习符合社会规范的智能体行为。权重的联邦平均（Federated Averaging, FedAvg）作为一种稳健的 FL 策略脱颖而出，而基于重放的 FCL 则能够在上下文划分中增量学习机器人动作的社会适宜性。
引用
@article{arxiv.2403.07586,
title = {Federated Learning of Socially Appropriate Agent Behaviours in Simulated Home Environments},
author = {Saksham Checker and Nikhil Churamani and Hatice Gunes},
journal= {arXiv preprint arXiv:2403.07586},
year = {2024}
}
备注
Accepted at the Workshop on Lifelong Learning and Personalization in Long-Term Human-Robot Interaction (LEAP-HRI) at the 19th ACM/IEEE International Conference on Human-Robot Interaction (HRI), 2024