40-60%-kal gyorsítja a tanulást a LANTERN AI-rendszer
A rendszer természetes nyelvi leírásokból generál automatákat, több forrásból aggregálja a tudást, és adaptív tanár-diák kapuzást használ a jobb teljesítmény érdekében.
Jelentősen, 40-60%-kal javítja a megerősítéses tanulás (RL) mintahatékonyságát egy új, LANTERN nevű neuroszimbolikus transzferrendszer — írja az ArXiv-en megjelent tanulmány.
A meglévő neuroszimbolikus transzfer módszerek gyakran manuálisan megadott feladat-automatákra támaszkodnak, egyetlen forrásfeladatot feltételeznek, és rögzített tudásintegrációs mechanizmusokat használnak, amelyek nem képesek alkalmazkodni a változó forrásrelevanciához. A LANTERN ezeket a korlátokat célozza meg.
A rendszer három fő komponensből épül fel: nagyméretű nyelvi modellek (LLM) segítségével természetes nyelvi feladatleírásokból generált determinisztikus véges automaták; több forráspolitika szemantikai beágyazáson alapuló aggregációja, amelyet a feladatok közötti hasonlóság súlyoz; valamint adaptív tanár-diák kapuzás, amely a temporális különbségi hibán és a szemantikai bizonytalanságon alapul.
A LANTERN-t erőforrás-menedzsment, navigáció és vezérlés területén is tesztelték, ahol minden esetben 40-60%-os javulást mutatott a mintahatékonyságban.