Maschinelles Lernen von formaler Kommunikation

Das Ziel dieses Projektes im Bereich der Verteilten k<e:1> nstlichen Intelligenz (VKI) ist die Entwicklung von effizienten Verfahren f<e:1> (i) die maschinelle Vorhersage von semantisch reichhaltiger Kommunikation, erlent aus der Beobachtung vorangegangener formalsprachlicher Kommunikationen und ii) Das maschinelle Verstärkungs-Lernen（强化学习）aktiver Kommunikationsfähigkeiten。[中文]：通信与通信(dabei zur rationalen Nutzenmaximierung in offenstochastischen Umgebungen mit eigenn<e:1> tzigen Kommunikationsteilnehmern eingesetzt。智能计算机系统与计算机交互（交互软件与辅助），自动化交互与论证，协调与规划（交互软件与辅助）。Das Projekt zielt ausdriclich auf einen hohen Grad and Adaptivität, Flexibilität and semantischer Repräsentationsfähigkeit and the bitdamit bisherige communications - Frameworks im Bereich der KI, die lediglich miter statisch begrenzten Menge von festeninteraktionsregen (z.B. Mechanism Design) and Mustererkennungsverfahren arbeiten (z.B. traditionelle Software- Benutzerassistenten), aufine neue Ebene。与此同时，多智能体强化学习（多智能体强化学习）和多智能体强化学习（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）（多智能体强化学习）。)Die neu entwickelten verfahen wollen and einem bereits von entwickelten Framework； r freie Verhandlungen zwischen Softwareagenten und zwischen Softwareagenten und Menschen经验和理论评估和derenereanz in realen experimentenweisen。

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.