基于图神经网络学习以对象为中心的自目标行为
人工智能
2022-07-21 v2 机器学习
机器人学
摘要
尽管人类生活在一个开放式世界中并不断面临新挑战，但他们每次面对下一个挑战时不必从零开始学习。相反，他们掌握少量先前习得的技能，并能迅速将其适应到新情境中。在人工智能中，自目标智能体（autotelic agents）因内在动机去表征并设定自身目标，展现出有前景的技能适应能力。然而，这些能力受到其策略与目标任务空间表征的严重制约。本文中，我们拟探究这些表征对自目标智能体学习与迁移能力的影响。我们研究了使用四类图神经网络（Graph Neural Networks）策略表征与两类目标任务空间（几何式或基于谓词式）的不同自目标智能体实现。通过在未见目标上测试智能体，我们发现，将具有足够表达力的以对象为中心架构与语义关系目标相结合，有助于学习达成更困难的目标。我们还发布了基于图的实现，以鼓励该方向的进一步研究。
引用
@article{arxiv.2204.05141,
title = {Learning Object-Centered Autotelic Behaviors with Graph Neural Networks},
author = {Ahmed Akakzia and Olivier Sigaud},
journal= {arXiv preprint arXiv:2204.05141},
year = {2022}
}
备注
15 pages, 10 figures, published at the Conference on Lifelong Learning Agents COLLAS 2022