基于一阶逻辑的神经符号强化学习
人工智能
2021-10-22 v1 计算与语言
机器学习
机器人学
摘要
深度强化学习（RL）方法常在收敛前需要大量试验，且无法提供训练策略的直接可解释性。为实现RL中策略的快速收敛与可解释性，我们提出一种用于文本游戏的新型RL方法，采用近期称为逻辑神经网络（Logical Neural Network）的神经符号框架，其可在可微网络中学习符号化且可解释的规则。该方法首先从动文本观测与外部词义网络（ConceptNet）提取一阶逻辑事实，随后在网络中用直接可解释的逻辑算子训练策略。实验结果表明，在TextWorld基准上，所提方法的RL训练收敛显著快于其他最先进的神经符号方法。
引用
@article{arxiv.2110.10963,
title = {Neuro-Symbolic Reinforcement Learning with First-Order Logic},
author = {Daiki Kimura and Masaki Ono and Subhajit Chaudhury and Ryosuke Kohita and Akifumi Wachi and Don Joven Agravante and Michiaki Tatsubori and Asim Munawar and Alexander Gray},
journal= {arXiv preprint arXiv:2110.10963},
year = {2021}
}
备注
EMNLP 2021 (main conference)