対話ポリシー学習のための過剰反復ペナルティによる自動カリキュラム学習【JST・京大機械翻訳】

Zhao Yangyang; Wang Zhenyu; Huang Zhenhua

プレプリント

J-GLOBAL ID：202202202824671431 整理番号：22P0221014

対話ポリシー学習のための過剰反復ペナルティによる自動カリキュラム学習【JST・京大機械翻訳】

Automatic Curriculum Learning With Over-repetition Penalty for Dialogue Policy Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年12月27日プレプリントサーバーでの情報更新日： 2020年12月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

強化学習に基づく対話政策学習は,高コストのため,スクラッチから対話エージェントを訓練するために,実際のユーザに適用するのが難しい。ユーザシミュレータは,対話エージェントのためのランダムユーザ目標を訓練するのに,実際のユーザのための手頃な代替として考慮されてきた。しかし,このランダムサンプリング法は,人間の学習の法則を無視し,学習された対話政策を非効率的で不安定にする。自動カリキュラム学習のための対話ポリシーを実現するために,従来のランダムサンプリング法を教師ポリシーモデルと置換する,新しいフレームワーク,自動Curriculum LearningベースDeep Q-Network(ACL-DQN)を提案した。教師モデルは有意義な規則カリキュラムを整理し,事前知識の必要なしに対話エージェントの学習進展と過剰反復ペナルティを監視することにより自動的に調整する。対話エージェントの学習進捗は,対話エージェントの能力およびサンプル効率のためのサンプル目標の困難さの間の関係を反映する。過剰反復ペナルティは,サンプル多様性を保証した。実験は,ACL-DQNが統計的に有意なマージンで対話タスクの有効性と安定性を著しく改善することを示した。さらに,このフレームワークは,異なるカリキュラムスケジュールによるエクイッピングによってさらに改良することができ,このフレームワークが強力な一般化可能性を有することを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能 , 人間機械系

, , , ,

前のページに戻る