Integrating Diverse Knowledge Sources for Online One-shot Learning of Novel Tasks

要約

自律型エージェントは、タスクに関する様々な潜在的な知識源を利用することができますが、現在のアプローチでは、常に1つか2つのみに焦点をあてています。ここでは、多様な知識源を利用して、模擬オフィス移動ロボットの新しいタスクをオンラインで一発学習することの課題と影響を調査する。Soarコグニティブアーキテクチャで開発されたエージェントは、ドメインとタスクの知識源として、環境との相互作用、タスク実行と検索知識、人間の自然言語による指示、大規模言語モデル（GPT-3）から取得した応答などを使用します。我々は、これらの知識源の明確な寄与を探り、正しいタスク知識の学習と人間の作業負荷の観点から、異なる組み合わせの性能を評価する。その結果、エージェントが多様な知識源をオンラインで統合することで、一発勝負のタスク学習が全体的に向上し、迅速かつ信頼性の高いタスク学習に必要な人間のフィードバックが削減できることが示された。

要約(オリジナル)

Autonomous agents are able to draw on a wide variety of potential sources of task knowledge; however current approaches invariably focus on only one or two. Here we investigate the challenges and impact of exploiting diverse knowledge sources to learn online, in one-shot, new tasks for a simulated office mobile robot. The resulting agent, developed in the Soar cognitive architecture, uses the following sources of domain and task knowledge: interaction with the environment, task execution and search knowledge, human natural language instruction, and responses retrieved from a large language model (GPT-3). We explore the distinct contributions of these knowledge sources and evaluate the performance of different combinations in terms of learning correct task knowledge and human workload. Results show that an agent’s online integration of diverse knowledge sources improves one-shot task learning overall, reducing human feedback needed for rapid and reliable task learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL