面向通过连续声学信道进行多智能体通信学习说话与聆听的研究
计算与语言
2023-05-03 v2 机器学习
摘要
多智能体强化学习已被用作研究智能体间涌现通信的有效手段，但鲜有研究关注连续声学通信。这更类似于人类语言习得；人类婴儿在很大程度上通过与看护者的连续信号传递来习得语言。因此我们提出：我们能否在具有连续通信信道的智能体间观察到涌现语言？我们的目标是提供一个平台以开始弥合人类与智能体通信之间的鸿沟，使我们能够分析连续信号、它们如何涌现、其特征，以及它们与人类语言习得的关系。我们提出了一个消息传递环境，其中说话者智能体需要通过有噪声的声学信道向聆听者传达一组属性。使用 DQN 训练我们的智能体，我们表明：(1) 与离散情况不同，声学说话者学习冗余以提升聆听者的连贯性；(2) 声学说话者发展出更具组合性的通信协议，隐式地补偿有噪信道上的传输错误；(3) 与以往使用 REINFORCE 优化的方法相比，DQN 具有显著的性能提升和更高的组合性。
引用
@article{arxiv.2111.02827,
title = {Towards Learning to Speak and Hear Through Multi-Agent Communication over a Continuous Acoustic Channel},
author = {Kevin Eloff and Okko Räsänen and Herman A. Engelbrecht and Arnu Pretorius and Herman Kamper},
journal= {arXiv preprint arXiv:2111.02827},
year = {2023}
}
备注
10 pages, 3 figures, 6 tables