[论文解读] Tell me why! Explanations support learning relational and causal structure

Andrew K. Lampinen, Nicholas Roy+9 more|arXiv (Cornell University)|Dec 7, 2021

Topic Modeling被引用 9

一句话总结

该论文表明，通过训练深度强化学习智能体预测自然语言解释（而非仅观察它们），能显著提升其在复杂环境中学习关系结构与因果结构的能力。通过预测解释，智能体在分布外泛化能力更强，避免了虚假相关性，并且甚至学会了执行因果干预，其在奇数项识别和混淆因果任务上的表现优于基线模型。

ABSTRACT

Inferring the abstract relational and causal structure of the world is a major challenge for reinforcement-learning (RL) agents. For humans, language--particularly in the form of explanations--plays a considerable role in overcoming this challenge. Here, we show that language can play a similar role for deep RL agents in complex environments. While agents typically struggle to acquire relational and causal knowledge, augmenting their experience by training them to predict language descriptions and explanations can overcome these limitations. We show that language can help agents learn challenging relational tasks, and examine which aspects of language contribute to its benefits. We then show that explanations can help agents to infer not only relational but also causal structure. Language can shape the way that agents to generalize out-of-distribution from ambiguous, causally-confounded training, and explanations even allow agents to learn to perform experimental interventions to identify causal relationships. Our results suggest that language description and explanation may be powerful tools for improving agent learning and generalization.

研究动机与目标

• 探究语言解释是否有助于深度强化学习智能体在复杂环境中学习抽象的关系与因果结构。
• 检验预测解释（而非仅观察）是否能增强学习与泛化能力。
• 确定解释如何帮助智能体克服在混淆训练环境中对虚假、易学习特征的偏见。
• 评估解释是否使智能体能够学习实验性干预以识别因果结构。
• 探索解释的不同方面（如抽象性、因果关联）对性能提升的贡献。

提出的方法

• 在2D和3D环境中使用深度强化学习训练智能体，采用策略网络与价值函数。
• 训练一个语言头，以预测描述动作、观测结果与任务结构之间关系的自然语言解释。
• 解释被定义为将智能体行为与抽象任务目标关联的语言字符串，例如“打开烤箱会使其升温，以准备烘烤”。
• 通过监督学习在人工标注或合成的解释数据上训练模型预测解释，使用交叉熵损失。
• 在去混淆的、分布外的测试集上评估泛化能力，其中因果特征与虚假特征被分离。
• 因果干预任务要求智能体选择并执行能探测因果结构的动作，例如操纵变量以测试依赖关系。

实验结果

研究问题

• RQ1 训练智能体预测语言解释是否能改善其在强化学习任务中对关系结构的学习？
• RQ2 与观察解释或无语言监督相比，预测解释是否能带来更好的分布外泛化？
• RQ3 解释的不同组成部分（如因果关联、抽象描述）如何促进学习与泛化？
• RQ4 当通过解释预测进行训练时，智能体是否能学会执行实验性干预以识别因果结构？
• RQ5 在因果混淆环境中，解释在多大程度上帮助智能体避免学习虚假相关性？

主要发现

• 在去混淆的、分布外评估中，预测解释的智能体相比基线模型泛化能力显著提升，尤其在因果混淆任务中表现更优。
• 基于预测的解释训练减少了对虚假、易学习特征的依赖，这些特征在训练期间完美预测了奖励，但在评估中失效。
• 能够预测解释的智能体学会了执行实验性干预以识别因果结构，表现出元学习因果推理的能力。
• 当智能体预测解释而非仅观察时，解释的优势最为显著，表明预测性学习塑造了其内部表征。
• 解释使智能体能够解耦混淆特征，并在多样化的关系与因果任务中形成更鲁棒、更具泛化能力的策略。
• 即使在缺乏真实因果结构的情况下，解释预测仍帮助智能体形成有助于提升在模糊与复杂任务中表现的抽象表征。