预测人体建模的解开技能表示

arXiv:2608.23776v1 公告类型：新 摘要：理解人类技能对于与人协作、指导或协助的人工智能系统非常重要。与依赖于单一观察的典型潜变量估计问题不同，技能是一种持久的、组合的、基于行为的构造，必须随着时间的推移从模式中推断出来。我们引入了具有可解释潜伏的技能抽象（SAIL），这是一种将人类技能建模为从自然行为推断出的可解释的多维构造的方法。我们的方法产生了一种对瞬态性能波动具有鲁棒性的技能嵌入，并学习了人类子技能的可转移表示。此外，SAIL 支持基于技能的行为预测，该预测可以在各种域内环境中进行推广。我们用持久的技能嵌入来代表每个人，控制专家和新手基础之间的混合，并使用反事实的子技能交换进行训练以解开纠缠。这种设计鼓励对性能变化具有稳健性并且具有可解释性的结构化表示。我们在赛车和棒球比赛中证明，SAIL 实现了强大的预测性能，并持续改善了评估基线上基于行为的解开，同时还提高了下游 AI 辅导性能。