受皮亚杰认知发展理论启发的可解释强化学习
人工智能
2021-02-02 v1
摘要
设计具有人类水平认知能力的机器人的努力催生了不同类别的学习机器。根据斯金纳的理论，强化学习（RL）在人类直觉与认知中起着关键作用。包括深度RL算法在内的大多数最先进方法都深受联结主义观点的影响。这类算法可显著受益于其他学科中的心智与学习理论。本文提出这样一种观点：思想语言假说（LOTH）、脚本理论以及皮亚杰认知发展理论等理论提供了互补的路径，将丰富RL领域。遵循这一思路，本文针对皮亚杰图式理论提出了一个通用计算构件，其支持福多所描述且与联结主义理论相对立的生产性、系统性与推理一致性等概念。所提方法中的抽象完全由系统自身完成，不受任何预定义架构的外部约束。整个过程与奈瑟的知觉循环模型相吻合。在三个典型控制问题上进行的实验及随后的行为分析，证实了所提方法的可解释性及其相对于最先进算法的竞争力。因此，该框架可视为在人工智能系统中实现类人认知的一步。
引用
@article{arxiv.2102.00572,
title = {Interpretable Reinforcement Learning Inspired by Piaget's Theory of Cognitive Development},
author = {Aref Hakimzadeh and Yanbo Xue and Peyman Setoodeh},
journal= {arXiv preprint arXiv:2102.00572},
year = {2021}
}