基于统一Transformer与自监控的从语言指令分层任务学习
人工智能
2021-06-08 v1 计算与语言
摘要
尽管近期取得进展，通过语言指令学习新任务仍是一个极具挑战的问题。在用于任务学习的ALFRED基准上，已发表的最先进系统在非所见环境中的任务成功率不到10%，而人类表现超过90%。为应对此问题，本文细致考察任务学习。不同于广泛采用的端到端架构，我们将任务学习分解为三个子问题：子目标规划、场景导航和物体操控；并开发了模型HiTUT（意为通过统一Transformer的分层任务）以统一方式处理各子问题，从而学习分层任务结构。在ALFRED基准上，HiTUT以显著更高的泛化能力取得最佳性能。在非所见环境中，HiTUT相比先前最优在成功率上获得超过160%的性能提升。任务结构的显式表示也促成了对问题本质及智能体能力的深入理解，为未来基准开发与评估提供洞见。
引用
@article{arxiv.2106.03427,
title = {Hierarchical Task Learning from Language Instructions with Unified Transformers and Self-Monitoring},
author = {Yichi Zhang and Joyce Chai},
journal= {arXiv preprint arXiv:2106.03427},
year = {2021}
}
备注
Accepted by ACL 2021 Findings