OCEAN：基于上下文适应的组合任务在线任务推断
机器学习
2020-08-18 v1 人工智能
机器学习
摘要
现实世界任务常表现出包含一系列更简单子任务的组合结构。例如，开门需要伸手、抓握、转动和拉门把手。此类组合任务要求智能体在推理当前子任务的同时相应地协调全局行为。这可被视作在线任务推断问题，其中当前任务身份由上下文变量表示，并根据智能体过往经验通过概率推断估计。先前方法采用简单潜变量分布（如高斯分布）为整个任务建模单一上下文，然而该表述缺乏捕捉子任务组合与转换的表达能力。我们提出变分推断框架 OCEAN 以执行组合任务的在线任务推断。OCEAN 在联合潜空间中对全局与局部上下文变量建模，其中全局变量表示任务所需的子任务混合，而局部变量捕捉子任务间的转换。我们的框架支持基于任务结构先验知识的灵活潜变量分布，并可无监督训练。实验结果表明，OCEAN 通过序贯上下文适应提供了更有效的任务推断，从而在复杂多阶段任务上带来性能提升。
引用
@article{arxiv.2008.07087,
title = {OCEAN: Online Task Inference for Compositional Tasks with Context Adaptation},
author = {Hongyu Ren and Yuke Zhu and Jure Leskovec and Anima Anandkumar and Animesh Garg},
journal= {arXiv preprint arXiv:2008.07087},
year = {2020}
}
备注
UAI 2020