牛顿式动作建议：将人类语言指令与强化学习相融合
人机交互
2018-04-17 v1
摘要
交互式机器学习（IML）的一个目标是使未经专业训练的人能够教会智能体如何执行任务。许多现有的从人类指令中学习的机器学习算法都是使用模拟反馈进行评估的，并且关注智能体学习的速度。虽然这是有价值的信息，但它忽略了人机交互的重要方面，例如挫败感。在本文中，我们提出了牛顿式动作建议（Newtonian Action Advice）智能体，这是一种将人类语言动作建议与强化学习（RL）相结合以改进人机交互的新方法。除了模拟之外，我们还通过进行人类受试者实验验证了牛顿式动作建议算法。结果表明，在累积奖励等 RL 指标以及挫败感等人因指标方面，牛顿式动作建议均优于最先进的 IML 算法 Policy Shaping。
引用
@article{arxiv.1804.05821,
title = {Newtonian Action Advice: Integrating Human Verbal Instruction with Reinforcement Learning},
author = {Samantha Krening},
journal= {arXiv preprint arXiv:1804.05821},
year = {2018}
}