HRL Neurosymbolic con Conoscenza Incrementale Migliora l'Efficienza del Campione
Un nuovo articolo di ricerca su arXiv (2608.02993) propone un approccio neurosymbolic all'Apprendimento per Rinforzo Gerarchico (HRL) che incorpora conoscenza incrementale per migliorare l'efficienza del campione in ambienti con ricompense sparse e orizzonti lunghi. Il metodo, chiamato Conoscenza Incrementale (InK), utilizza componenti simboliche di alto livello per la pianificazione (ad esempio, con l'algoritmo D*) su una rappresentazione aggiornabile della conoscenza corrente, mentre i moduli neurali di basso livello condizionati da obiettivi apprendono primitive di movimento tramite reward shaping. Gli autori sostengono che l'HRL standard codifica la conoscenza in una forma fissa e non aggiornabile, limitando il ragionamento con conoscenza incrementale e portando a una scarsa efficienza del campione. Esperimenti su compiti di navigazione dimostrano l'efficacia dell'approccio proposto. L'articolo è annunciato come nuova sottomissione ed è disponibile su https://arxiv.org/abs/2608.02993.
Fatti principali
- L'articolo arXiv:2608.02993 propone HRL neurosymbolic con Conoscenza Incrementale (InK).
- InK utilizza la pianificazione simbolica (ad esempio, D*) su una rappresentazione della conoscenza aggiornabile.
- I moduli di basso livello apprendono primitive di movimento tramite esperienza e reward shaping.
- L'HRL standard utilizza conoscenza fissa e non aggiornabile, limitando l'efficienza del campione.
- Esperimenti su compiti di navigazione mostrano una migliore efficienza del campione.
- L'articolo è un nuovo annuncio su arXiv.
- L'approccio affronta le sfide delle ricompense sparse e del ragionamento a lungo orizzonte.
- L'articolo è disponibile su https://arxiv.org/abs/2608.02993.
Entità
Istituzioni
- arXiv