使用机器学习面向一般行为智能体的目标识别设计
人工智能
2025-10-03 v3 机器学习
摘要
目标识别设计（GRD）旨在对决策环境进行有限修改，使其更容易推断在其中行动的智能体的目标。尽管在目标识别设计方面已有各种研究努力，但现有方法计算量大，且通常假设智能体在决策中是（近）最优的。为了解决这些局限性，我们利用机器学习方法进行目标识别设计，这既能提高运行时效率，又能适应具有一般行为模型的智能体。遵循现有文献，我们使用最坏情况区分度（wcd）作为在决策环境中推断智能体目标难度的衡量标准。我们的方法首先训练一个机器学习模型，以预测给定环境和智能体行为模型的 wcd。然后，我们提出了一个基于梯度的优化框架，该框架适应各种约束条件，以优化决策环境从而增强目标识别。通过广泛的模拟，我们证明了我们的方法在降低 wcd 和提高运行时效率方面优于现有方法。此外，我们的方法也适用于现有方法不适用的场景，例如涉及灵活预算约束、更复杂环境和次优智能体行为的场景。最后，我们进行了人类受试者实验，证明我们的方法所创造的环境有助于人类决策者进行高效的目标识别。
引用
@article{arxiv.2404.03054,
title = {Goal Recognition Design for General Behavioral Agents using Machine Learning},
author = {Robert Kasumba and Guanghui Yu and Chien-Ju Ho and Sarah Keren and William Yeoh},
journal= {arXiv preprint arXiv:2404.03054},
year = {2025}
}