在抽象语义表示上学习符号规则用于文本强化学习
计算与语言
2023-07-07 v1
摘要
基于文本的强化学习智能体主要是带基于嵌入表示的神经网络模型，学习不可解释策略，且常不能很好泛化至未见过的游戏。另一方面，神经-符号方法，特别是那些利用中间形式化表示的方法，正在语言理解任务中获得显著关注。这是因其具备从内在可解释性、较少训练数据需求、到在未见数据场景中可泛化等一系列优势。因此，在本文中，我们提出一个模块化、神经-符号文本智能体（NESTA），其将通用语义解析器与规则归纳系统结合，以学习抽象可解释规则作为策略。我们在已建立的基于文本游戏基准上的实验表明，所提NESTA方法通过实现对未见测试游戏的更好泛化以及从更少训练交互中学习，优于深度强化学习技术。
引用
@article{arxiv.2307.02689,
title = {Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning},
author = {Subhajit Chaudhury and Sarathkrishna Swaminathan and Daiki Kimura and Prithviraj Sen and Keerthiram Murugesan and Rosario Uceda-Sosa and Michiaki Tatsubori and Achille Fokoue and Pavan Kapanipathi and Asim Munawar and Alexander Gray},
journal= {arXiv preprint arXiv:2307.02689},
year = {2023}
}
备注
ACL 2023