MINT：面向目标驱动知识缺口推理与主动获取的最小信息神经符号树
人工智能
2026-05-05 v2 人机交互
摘要
通过语言进行的联合规划是人机协作的关键领域。开放世界中的规划问题常涉及各种不完整信息和未知因素，如涉及的对象、人类目标/意图等，从而在联合规划中导致知识缺口。我们考虑发现AI代理主动获取人类输入以解决对象驱动规划问题的最优交互策略的问题。为此，我们提出最小信息神经符号树(MINT)，以推理知识缺口的影响并通过自我对弈利用MINT优化AI代理的获取策略和查询。更具体地，MINT通过对可能的人类-AI交互进行命题化建构符号树，并通过神经规划策略来估计由剩余知识缺口导致的规划结果不确定性。最后，我们利用LLM搜索和总结MINT的推理过程，并精选一组查询，以最佳方式获取人类输入以实现最佳规划性能。在考虑一族具有知识缺口的扩展马尔可夫决策过程后，我们分析了给定MINT进行主动人类获取的收益保证。我们的评估在三个涉及不可见/未知对象的基准测试中表明，基于MINT的规划通过每项任务少量提问即可实现接近专家水平的收益，同时显著提高奖励和成功率。
引用
@article{arxiv.2602.05048,
title = {MINT: Minimal Information Neuro-Symbolic Tree for Objective-Driven Knowledge-Gap Reasoning and Active Elicitation},
author = {Zeyu Fang and Mahdi Imani and Tian Lan},
journal= {arXiv preprint arXiv:2602.05048},
year = {2026}
}