Der Artikel untersucht simulierte Umgebungen mit Menschen und Robotern, um die soziale Angemessenheit verschiedener hochrangiger Aufgaben als Anwendungsfall für FL- und FCL-basierte Ansätze des Lernens in der offenen Welt zu erforschen. Abhängig vom Benutzer, Kontext oder sozialen Normen müssen die Agenten lernen, welche Handlungen für sie angemessen sein könnten und wie sie von ihren Benutzern wahrgenommen werden.
Der Artikel verwendet den MANNERS-DB-Datensatz, der Bewertungen der sozialen Angemessenheit verschiedener Agentenaktionen in simulierten Hausumgebungen bereitstellt. Verschiedene FL-Methoden wie FedAvg, FedBN, FedProx, FedOpt und FedDistill werden benchmarkt, um zu verstehen, wie ein solches Lernen sozial angemessener Agentenverhalten in einer verteilten Umgebung (FL) realisiert werden kann.
Darüber hinaus werden verschiedene FCL-Methoden, die auf FedAvg basieren, evaluiert, um das inkrementelle und sequenzielle Lernen (FCL) zu ermöglichen, bei dem individuelle Agenten ihr Lernen effektiv miteinander teilen. Rehearsal-basierte Ansätze wie Naive Rehearsal (NR) erweisen sich als am besten geeignet für solche Anwendungen, auch wenn sie ressourcenintensiv sein können.
Zukünftige Arbeiten werden sich auf End-to-End-Lernen unter Verwendung von Szenenrenderings konzentrieren und effizientere generative Methoden zum Wiederholen von Merkmalen erforschen.
To Another Language
from source content
arxiv.org
Djupare frågor