Maschinelles Lernen von formaler Kommunikation

Das Ziel dieses Projektes im Bereich der Verteilten Künstlichen Intelligenz（VKI）ist die Entwicklung von Effizienten Verfahren für i）die maschinelle Vorhersage von semantisch reichhaltiger Komberkation，erlernt aus der Beobachtung vorangegener formalsprachlicher Komberkationen und ii）das maschinelle Verstärkungs-Lernen（Reinforcement Learning）aktiver Komberkationsfähigkeiten. Komberkation wird dabei zur rationalen Nutzenmaximierung in offenen stochastischen Umgebungen mit eigennützigen Komberkationsteilnehmern eingesetzt. Intelligente Computersysteme mit derartigen echten Komberkationsfähigkeiten wären äußerst nützlich für eine Reihe wichtiger Anwendungen，wie Mensch- Computer-Interaktion（z.B.交互式软件辅助和优化），自动化的Verhandlung和Argumentation，sowie verteilte协调和规划。Das Projekt zielt ausdrücklich auf einen hohen格拉德an Adaptivität，Abstracbilität und semantischer Repräsentationsfähigkeit und hebt damit bisherige Kommentations- Frameworks im Bereich der KI，die lediglich mit einer brownzten Menge von festen Interaktionsregeln（z.B.机械设计）或机械制造（z.B.传统软件--我们计划通过概率学习机器学习和多智能体强化学习的结合来进行验证，并将其作为一种语义上的形式逻辑表示。新的软件开发将是一个基于我们的软件开发框架的软件开发，它可以自由地进行软件开发和人类的经验和理论评估，并在实际的实验中进行相关性分析。

Das Ziel dieses Projektes im Bereich der Verteilten Künstlichen Intelligenz (VKI) ist die Entwicklung von effizienten Verfahren für i) die maschinelle Vorhersage von semantisch reichhaltiger Kommunikation, erlernt aus der Beobachtung vorangegangener formalsprachlicher Kommunikationen und ii) das maschinelle Verstärkungs-Lernen (Reinforcement Learning) aktiver Kommunikationsfähigkeiten. Kommunikation wird dabei zur rationalen Nutzenmaximierung in offenen stochastischen Umgebungen mit eigennützigen Kommunikationsteilnehmern eingesetzt. Intelligente Computersysteme mit derartigen echten Kommunikationsfähigkeiten wären äußerst nützlich für eine Reihe wichtiger Anwendungen, wie Mensch- Computer-Interaktion (z.B. interaktive Software-Assistenten und Benutzerschnittstellen), automatische Verhandlung und Argumentation, sowie verteilte Koordinations- und Planungsverfahren. Das Projekt zielt ausdrücklich auf einen hohen Grad an Adaptivität, Flexibilität und semantischer Repräsentationsfähigkeit und hebt damit bisherige Kommunikations- Frameworks im Bereich der KI, die lediglich mit einer statisch begrenzten Menge von festen Interaktionsregeln (z.B. Mechanism Design) oder Mustererkennungsverfahren arbeiten (z.B. traditionelle Software- Benutzerassistenten), auf eine neue Ebene. Wir planen Verfahren aus dem Bereich des Probabilistischen Relationalen Maschinellen Lernens und des Multiagent Reinforcement Learning zu kombinieren und sie um eine semantisch reichhaltige formal-logische Repräsentation zu erweitern. Die neu entwickelten Verfahren wollen wir an einem bereits von uns entwickelten Framework für freie Verhandlungen zwischen Softwareagenten und zwischen Softwareagenten und Menschen empirisch und theoretisch evaluieren und deren Relevanz in realen Experimenten nachweisen.