机构名称：
¥ 1.0
随着社会机器人越来越多地整合到日常生活中，将其行为与社会规范保持一致至关重要。对于他们广泛的开放世界应用程序，探索联邦学习（FL）设置很重要，在这些设置中，单个机器人可以在其中学习其独特的环境，同时还可以从彼此学习。在本文中，我们提出了一种新颖的FL基准，该基准使用多标签回归目标评估不同的策略，每个客户单独学习以预测不同机器人行动的社会适当性，同时也与他人分享他们的学习。此外，通过不同的上下文将培训数据分开，以使每个客户逐渐学习跨环境，我们提出了一种新颖的联合持续学习（FCL）基准，该基准适用于基于FL的方法，以使用最先进的持续学习（CL）方法，以在不同的上下文背景下持续学习社会适当的推动力。联合的平均权重（FedAvg）作为一种强大的FL策略出现，而基于彩排的FCL可以通过上下文分配逐步学习机器人行动的社会适当性。
在模拟家庭环境中联合学习社会适当的代理行为
主要关键词
相关文件推荐
