TAILIEUCHUNG - Báo cáo khoa học: "Learning to Win by Reading Manuals in a Monte-Carlo Framework"

This paper presents a novel approach for leveraging automatically extracted textual knowledge to improve the performance of control applications such as games. Our ultimate goal is to enrich a stochastic player with highlevel guidance expressed in text. Our model jointly learns to identify text that is relevant to a given game state in addition to learning game strategies guided by the selected text. | Learning to Win by Reading Manuals in a Monte-Carlo Framework . Branavan David Silver Computer Science and Artificial Intelligence Laboratory Massachusetts Institute of Technology branavan regina @ Regina Barzilay Department of Computer Science University College London Abstract This paper presents a novel approach for leveraging automatically extracted textual knowledge to improve the performance of control applications such as games. Our ultimate goal is to enrich a stochastic player with high-level guidance expressed in text. Our model jointly learns to identify text that is relevant to a given game state in addition to learning game strategies guided by the selected text. Our method operates in the Monte-Carlo search framework and learns both text analysis and game strategies based only on environment feedback. We apply our approach to the complex strategy game Civilization II using the official game manual as the text guide. Our results show that a linguistically-informed game-playing agent significantly outperforms its language-unaware counterpart yielding a 27 absolute improvement and winning over 78 of games when playing against the built-in AI of Civilization 1 Introduction In this paper we study the task of grounding linguistic analysis in control applications such as computer games. In these applications an agent attempts to optimize a utility function . game score by learning to select situation-appropriate actions. In complex domains finding a winning strategy is challenging even for humans. Therefore human players typically rely on manuals and guides that describe promising tactics and provide general advice about the underlying task. Surprisingly such textual information has never been utilized in control algorithms despite its potential to greatly improve performance. 1The code data and complete experimental setup for this work are available at http rbg code civ. The natural .

• Báo cáo khoa học
• Learning to Win
• Reading Manuals
• Monte Carlo Framework
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• grammar practice
• English grammar
• English books
• sentence structure
• trade secret language learning
• VERB ENGLISH
• THEN IN ENGLISH
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball