우리는 실행 가능한 지식을 일반화하기 위한 신경-상징(neuro-symbolic) 접근법을 탐구하며, 이를 통해 구체적(embodied) 에이전트가 개방형 도메인 환경에서 복잡한 과제를 보다 효과적으로 수행할 수 있도록 한다. 구체적 에이전트의 핵심 과제는 다양한 환경과 상황에 걸친 지식의 일반화이며, 제한된 경험은 종종 에이전트를 기존 지식에 갇히게 만든다. 이러한 문제를 해결하기 위해, 우리는 제한된 경험으로부터 신경-상징적 연속 학습이자 NeSyC(NeSyC: neuro-symbolic continual learner)라는 새로운 프레임워크를 제안한다. 이 프레임워크는 대규모 언어 모델(LLM)과 상징적 도구의 결합을 통해 제한된 경험으로부터 지식을 지속적으로 형성하고 검증함으로써 가설-연역적(hypothetico-deductive) 모형을 모사한다. 구체적으로, 우리는 NeSyC 내에서 대조적 일반성 개선(contrastive generality improvement) 방식을 설계하여, LLM을 사용해 가설을 반복적으로 생성하고 상징적 도구를 통해 대조적 검증을 수행한다. 이 방식은 허용 가능한(admissible) 행동에 대한 정당성을 강화하는 한편, 허용 불가능한(inadmissible) 행동의 추론을 최소화한다. 또한 우리는 기억 기반 모니터링(memory-based monitoring) 방식을 포함하여, 행동 오류를 효율적으로 탐지하고 도메인 전반에 걸쳐 지식 정교화(knowledge refinement) 과정을 유발한다. ALFWorld, VirtualHome, Minecraft, RLBench 및 실제 로봇 시나리오를 포함한 다양한 구체적 과제 벤치마크에서 수행된 실험 결과, NeSyC가 광범위한 개방형 도메인 환경에서 복잡한 구체적 과제를 해결하는 데 매우 효과적임을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.