基于零压缩状态自编码器的稳定符号接地
机器学习
2019-03-28 v1 人工智能
摘要
尽管经典规划一直是人工智能的活跃分支，其适用性局限于由人类精确建模的任务。完全自动化的高层智能体应能在无监督情况下发现未知环境的符号表示，否则便会出现知识获取瓶颈。与此同时，Latplan（Asai 和 Fukunaga 2018）通过称为状态自编码器（SAE）的神经网络部分解决了该瓶颈。SAE 通过无监督学习获得基于图像的谜题领域的命题表示，生成状态空间并执行经典规划。在本文中，我们将 SAE 生成的命题的问题性随机行为识别为符号接地问题的一个新子问题，即符号稳定性问题。非正式地，当符号的所指（如命题值）不随观测的微小扰动而改变时，符号是稳定的，而不稳定的符号对符号推理有害。我们从形式与经验两方面分析 Latplan 中的该问题，并提出“零压缩 SAE（Zero-Suppressed SAE）”，一种利用闭世界假设作为神经网络优化先验来增强命题稳定性的方法。我们表明，它发现了更稳定的命题与更紧凑的表示，从而提升了 Latplan 的成功率。该方法对各类超参数具有鲁棒性，减轻了调参负担，并附带提供了权重剪枝能力。
引用
@article{arxiv.1903.11277,
title = {Towards Stable Symbol Grounding with Zero-Suppressed State AutoEncoder},
author = {Masataro Asai and Hiroshi Kajino},
journal= {arXiv preprint arXiv:1903.11277},
year = {2019}
}
备注
Accepted in 29th International Conference of Automated Planning and Scheduling (ICAPS-2019), Planning and Learning track