迈向跨领域定义领域复杂度度量
人工智能
2023-03-08 v1
摘要
计划在现实世界应用中部署的人工智能（AI）系统，经常在封闭仿真环境中研发，其中所有变量受仿真器控制且已知，或使用已标注的基准数据集。从这些仿真器、测试平台和基准数据集向更开放世界领域的过渡，给AI系统带来了重大挑战，包括领域复杂度的显著增加以及真实世界新颖性的引入；开放世界环境包含大量不属于AI系统训练集的分布外元素。在此，我们提出一条通向通用、领域无关的域复杂度水平度量的路径。我们区分领域复杂度的两个方面：内在与外在。内在领域复杂度是无需在该领域执行任务的AI智能体采取任何行动或交互而独立存在的复杂度，这是领域复杂度的智能体无关方面。外在领域复杂度则依赖于智能体与任务。内在与外在要素相结合，刻画了领域的整体复杂度。我们以领域无关视角构建了定义并影响领域复杂度水平的组成部分。领域无关的复杂度度量能够实现定量预测：当AI系统从某一测试平台或环境过渡到另一平台或环境时、在面对开放世界任务中的分布外数据时、以及在导航开放世界领域中遇到的快速扩张的解与搜索空间时所面临的困难。
引用
@article{arxiv.2303.04141,
title = {Toward Defining a Domain Complexity Measure Across Domains},
author = {Katarina Doctor and Christine Task and Eric Kildebeck and Mayank Kejriwal and Lawrence Holder and Russell Leong},
journal= {arXiv preprint arXiv:2303.04141},
year = {2023}
}