具身人工智能体中的早期词汇学习理解
计算与语言
2019-10-02 v2 人工智能
神经与进化计算
摘要
基于神经网络的系统现已能够学习在图像中定位词语和短语的指代对象、回答关于视觉场景的问题，并作为部分可观测世界中的第一人称执行者执行符号指令。为实现这种所谓的基础语言学习（grounded language learning），模型必须克服婴儿在学习最初词汇时所面临的挑战。尽管无有意义先验知识的模型能克服这些障碍值得注意，研究人员目前仍不清楚它们是如何做到的，本文试图解决这一问题。为获得最大控制力与通用性，我们聚焦于一个基于神经网络的简单语言学习智能体，其通过策略梯度方法训练，可在模拟三维世界中理解单词指令。虽然目标并非显式建模婴儿词汇学习，我们从发展心理学的实验范式汲取灵感并应用于该人工智能体，探索已确立的人类偏见与学习效应在何种条件下浮现。我们进一步提出了一种可视化智能体中语义表征的新方法。
引用
@article{arxiv.1710.09867,
title = {Understanding Early Word Learning in Situated Artificial Agents},
author = {Felix Hill and Stephen Clark and Karl Moritz Hermann and Phil Blunsom},
journal= {arXiv preprint arXiv:1710.09867},
year = {2019}
}