LANTERN은 자연어 태스크 설명에서 LLM으로 생성한 결정론적 유한 오토마타, 의미 임베딩 기반 다중 소스 정책 집계, 적응형 교사-학생 게이팅을 결합한 통합 다중 소스 신경기호 전이학습 프레임워크입니다. 기존 신경기호 전이 방법의 한계인 수동 오토마타 지정, 단일 소스 의존, 고정 지식 통합을 극복합니다. 자원 관리·탐색·제어 도메인에서 기존 베이스라인 대비 샘플 효율성을 40~60% 향상시키면서 관련성 낮은 소스에도 강건합니다.
- •LLM으로 자연어 태스크 설명에서 결정론적 유한 오토마타 자동 생성, 수동 지정 불필요
- •교차 태스크 유사도 가중치 기반 의미 임베딩으로 다중 소스 정책 집계
- •TD 오차와 의미적 불확실성 기반 적응형 게이팅으로 소스 관련성 변화에 강건
- •자원 관리·탐색·제어 도메인에서 기존 베이스라인 대비 샘플 효율성 40~60% 향상
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
LANTERN: LLM-Augmented Neurosymbolic Transfer with Experience-Gated Reasoning Networks
- 1.LANTERN은 자연어 설명에서 LLM으로 자동 생성된 유한 오토마타를 활용한 다중 소스 뉴로심볼릭 전이 학습
- 2.의미론적 임베딩 기반 다중 소스 정책 집계와 적응형 게이팅으로 기존 기준선 대비 40~60% 샘플 효율 향상
- 3.자원 관리·탐색·제어 도메인에서 소스 정렬이 불량한 경우에도 강건한 성능 유지
왜 중요한가?
LLM 기반 자동 태스크 명세 생성으로 수동 설계 의존성을 제거하여 뉴로심볼릭 강화학습의 확장성과 범용성을 크게 높인다.
언급 프로젝트
본문 미리보기
arXiv:2605.05478v1 Announce Type: new Abstract: Transfer learning in reinforcement learning (RL) seeks to accelerate learning in new tasks by leveraging knowledge from related sources. Existing neurosymbolic transfer methods, however, typically rely on manually specified task automata, assume a single source task, and use fixed knowledge-integration mechanisms that cannot adapt to varying source relevance. We propose LANTERN, a unified framework for multi-source neurosymbolic transfer that addr
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
