快速而准确的可获得性学习
人工智能
2024-05-14 v1 机器学习
摘要
婴儿在其环境中积极学习，塑造自己的学习课程。他们学习关于其环境可获得性的问题，即局部情境如何决定其行为如何影响环境。我们通过深度学习架构来建模此类行为。该架构在全局认知地图探索与局部可获得性学习之间进行中介。推理过程主动地将模拟代理移动到他们预期可获得性相关知识获取的区域。我们对比了三种不确定性度量来指导这一探索：模型预测的不确定性、几个模型均值之间的标准偏差 (SD) 以及几个模型之间的 Jensen-Shannon 散度 (JSD)。我们显示，第一种度量被环境固有的 aleatoric 不确定性所误导，而另两种度量聚焦于 epistemic 不确定性。JSD 显示最具平衡的探索策略。从计算角度看，我们的模型建议协调主动学习课程生成的三个关键要素：(1) 导航行为需要与局部 motor 行为协调，以实现主动可获得性学习。(2) 可获得性需要局部编码以获取通用知识。(3) 有效的主动可获得性学习机制应使用密度比较技术来估计预期知识获取。未来工作可能寻求与发展心理学的合作，以在更真实的情景中建模儿童的主动游戏。
引用
@article{arxiv.2405.07816,
title = {Quick and Accurate Affordance Learning},
author = {Fedor Scholz and Erik Ayari and Johannes Bertram and Martin V. Butz},
journal= {arXiv preprint arXiv:2405.07816},
year = {2024}
}