.png){kind=icon}
返回
A representational framework for learning and encoding structurally enriched trajectories in complex agent environments
.png){kind=icon}
OA
AI
DOI：10.1016/j.neunet.2026.108868.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能代理在复杂场景中做出最优决策并将其泛化到不同领域和任务的能力受到损害。解决这一问题的方法之一聚焦于学习世界的高效表示以及代理行动如何在状态-行动转换中影响这些表示。虽然此类表示在程序上高效，但缺乏结构丰富性。为解决此问题，我们提出增强代理的本体论并扩展传统轨迹的概念化，以提供任务执行更细致的视图。结构丰富轨迹（SETs）通过纳入对象、交互和可用性之间的层次关系，扩展了状态序列及其转换的编码。SETs构建为多级图，提供代理动态的详细表示以及可转移的任务功能抽象。SETs整合到结构丰富轨迹学习与编码（SETLE）架构中，该架构采用多级关系依赖性的异构图基内存结构，这对泛化至关重要。我们证明SETLE能够支持下游任务，使代理在CREATE和MiniGrid环境中识别任务相关的结构模式。最后，我们将SETLE与强化学习相结合，并展示下游性能的可衡量改进，包括在复杂、稀疏奖励任务中的突破性成功率。代码在此：https://github.com/CatarauCorina/setle_code。
Keyword:
Representation learning
Trajectories
Reinforcement learning
Heterogeneous graphs
Graph neural networks
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
暂无机构信息
引用论文
分享收藏Hierarchical organization in visual working memory: From global ensemble to individual object structure.png)
Cognition
CognitionIF0
PREAI
分享收藏Learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection通过深度学习和大规模数据收集学习机器人抓取的手眼协调OAAI
OAAI分享收藏
查看更多内容