ToyArchitecture：世界模型的可解释无监督学习
人工智能
2020-09-10 v3
摘要
人工智能（AI）的研究大多集中于两个极端：要么是对狭义AI领域的小幅改进，要么是通常不可计算、与生物智能理论不兼容或缺乏实际实现的通用理论框架。本工作的目标是结合两者的优势：遵循宏观视角，同时提供特定理论及其实现。与纯理论方法不同，所得架构应可用于实际场景，并构成一个包含全部基本机制的框架核心，从而更易于集成所需的附加功能。在本文中，我们提出一种新颖、刻意简化且可解释的分层架构，将多种不同机制整合为单一系统：世界模型的无监督学习、学习自身动作对世界的影响、基于模型的强化学习、分层规划与计划执行，以及一般的符号/亚符号整合。所学模型以分层表示形式存储，具有以下性质：1）它们越来越抽象，但在需要时可保留细节；2）它们以其局部且类符号的形式易于操作，从而也允许人们在每一抽象层级观察学习过程。在系统的所有层级上，数据的表示均可从符号和亚符号两种角度进行解释。这使得该架构能够利用亚符号方法高效学习，并运用符号推理。
引用
@article{arxiv.1903.08772,
title = {ToyArchitecture: Unsupervised Learning of Interpretable Models of the World},
author = {Jaroslav Vítků and Petr Dluhoš and Joseph Davidson and Matěj Nikl and Simon Andersson and Přemysl Paška and Jan Šinkora and Petr Hlubuček and Martin Stránský and Martin Hyben and Martin Poliak and Jan Feyereisl and Marek Rosa},
journal= {arXiv preprint arXiv:1903.08772},
year = {2020}
}
备注
Revision: changed the pdftitle