基于常识提示的神经-符号程序化规划
计算与语言
2023-02-17 v6 人工智能
机器学习
摘要
程序化规划旨在通过分解为顺序的较简单低层步骤来实现复杂高层目标。尽管程序化规划是人类日常生活的基本技能,但对于缺乏对过程中因果关系的深层理解的大语言模型(LLMs)而言仍具挑战。先前方法需在零样本设置下通过人工示例从LLMs获取程序化规划知识。然而,此类从LLMs中引出的预训练知识导致目标与步骤间的虚假相关,损害模型对未见任务的泛化。相比之下,本文提出一种神经-符号程序化规划器(PLAN),通过注入常识的提示从LLMs引出程序化规划知识。为缓解虚假的目标-步骤相关,我们在潜在程序化表示上使用符号程序执行器,将来自常识知识库的提示形式化为针对结构因果模型的因果干预。在WikiHow和RobotHow上的自动与人工评估均显示,PLAN在程序化规划上无需进一步训练或人工示例即具优越性。
引用
@article{arxiv.2206.02928,
title = {Neuro-Symbolic Procedural Planning with Commonsense Prompting},
author = {Yujie Lu and Weixi Feng and Wanrong Zhu and Wenda Xu and Xin Eric Wang and Miguel Eckstein and William Yang Wang},
journal= {arXiv preprint arXiv:2206.02928},
year = {2023}
}
备注
ICLR 2023 Spotlight