MINT: Minimal Information Neuro-Symbolic Tree for Objective-Driven Knowledge-Gap Reasoning and Active Elicitation

Created by

Haebom

저자

Zeyu Fang, Tian Lan, Mahdi Imani

💡 개요

본 논문은 인간-AI 협업 계획 수립에서 발생하는 지식 공백 문제를 해결하기 위해 MINT(Minimal Information Neuro-Symbolic Tree)라는 새로운 신경-기호 통합 모델을 제안합니다. MINT는 지식 공백으로 인한 계획 불확실성을 추론하고, 자기 플레이를 통해 AI가 인간의 입력을 효과적으로 요청하는 전략을 최적화합니다. 이를 통해 제한된 질문으로도 높은 계획 성공률과 보상을 달성합니다.

🔑 시사점 및 한계

•

AI가 인간과의 상호작용을 통해 불완전한 정보를 능동적으로 보완하여 계획을 수립할 수 있는 효과적인 방법을 제시합니다.

•

신경망 기반 계획 정책과 기호 기반 추론을 결합하여 지식 공백의 영향을 정량화하고 이를 바탕으로 최적의 정보 획득 전략을 도출합니다.

•

새로운 객체나 목표가 등장하는 현실적인 환경에서도 뛰어난 성능을 보이며, 인간-AI 협업 분야의 발전에 기여할 수 있습니다.

•

MINT의 복잡성으로 인해 실제 적용 시 계산 효율성 및 확장성에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage