論文の概要: Resource-rational Task Decomposition to Minimize Planning Costs
- arxiv url: http://arxiv.org/abs/2007.13862v1
- Date: Mon, 27 Jul 2020 20:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 07:45:38.811967
- Title: Resource-rational Task Decomposition to Minimize Planning Costs
- Title(参考訳): 計画コスト最小化のための資源合理的タスク分割
- Authors: Carlos G. Correa, Mark K. Ho, Fred Callaway, Thomas L. Griffiths
- Abstract要約: 人々はしばしば階層的に計画する。つまり、タスクのモノリシックな表現を計画するのではなく、タスクを単純なサブタスクに分解し、それを達成する計画を立てる。
本稿では,環境の構造や計画アルゴリズムを考慮し,限られた認知資源の効率的な活用を容易にする方法でタスクを分解することを提案する。
我々の説明では、サブタスクの特定方法の規範的な説明に加えて、リソース・レーショナルな表現を用いて、人々がどのように推論し、計画し、行動するかを研究するための枠組みも提供しています。
- 参考スコア(独自算出の注目度): 10.178049366671505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: People often plan hierarchically. That is, rather than planning over a
monolithic representation of a task, they decompose the task into simpler
subtasks and then plan to accomplish those. Although much work explores how
people decompose tasks, there is less analysis of why people decompose tasks in
the way they do. Here, we address this question by formalizing task
decomposition as a resource-rational representation problem. Specifically, we
propose that people decompose tasks in a manner that facilitates efficient use
of limited cognitive resources given the structure of the environment and their
own planning algorithms. Using this model, we replicate several existing
findings. Our account provides a normative explanation for how people identify
subtasks as well as a framework for studying how people reason, plan, and act
using resource-rational representations.
- Abstract(参考訳): 人々はしばしば階層的に計画する。
つまり、タスクのモノリシックな表現を計画する代わりに、タスクを単純なサブタスクに分解し、それを達成する計画を立てるのです。
人々がタスクを分解する方法を探求する作業は多いが、なぜタスクを分解するのかという分析は少ない。
本稿では,タスクの分解を資源論理的表現問題として定式化し,この問題に対処する。
具体的には,環境構造や計画アルゴリズムを考慮に入れて,限られた認知資源の効率的な利用を促進する方法でタスクを分解する手法を提案する。
このモデルを用いて,既存の知見を再現した。
当社のアカウントは、サブタスクの識別方法に関する規範的な説明と、リソースの合理表現を使ってどのように推論し、計画し、行動するかを研究するためのフレームワークを提供します。
関連論文リスト
- Identifying Selections for Unsupervised Subtask Discovery [12.22188797558089]
我々は、データ中の選択変数の存在を識別し、検証する理論と実験を提供する。
これらの選択はサブタスクとガイドポリシーを示すサブゴールとして機能する。
このアイデアを踏まえて、これらのサブゴールを学習し、意味のある振る舞いパターンをサブタスクとして抽出するシーケンシャルな非負行列分解法(seq-NMF)を開発した。
論文 参考訳(メタデータ) (2024-10-28T23:47:43Z) - Unified Task and Motion Planning using Object-centric Abstractions of
Motion Constraints [56.283944756315066]
本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。
我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
論文 参考訳(メタデータ) (2023-12-29T14:00:20Z) - Learning Top-k Subtask Planning Tree based on Discriminative Representation Pre-training for Decision Making [9.302910360945042]
複雑な現実世界のタスクから抽出された事前知識による計画は、人間が正確な決定を行うために不可欠である。
マルチエンコーダと個別予測器を導入し、簡単なサブタスクのための十分なデータからタスク固有表現を学習する。
また、注意機構を用いてトップkのサブタスク計画木を生成し、未確認タスクの複雑な決定を導くためにサブタスク実行計画をカスタマイズする。
論文 参考訳(メタデータ) (2023-12-18T09:00:31Z) - Learning adaptive planning representations with natural language
guidance [90.24449752926866]
本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。
Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
論文 参考訳(メタデータ) (2023-12-13T23:35:31Z) - Robot Task Planning Based on Large Language Model Representing Knowledge
with Directed Graph Structures [2.3698227130544547]
本研究では,人間の専門知識をLLMと組み合わせたタスクプランニング手法を提案し,LLMプロンプトテンプレートであるThink_Net_Promptを設計した。
さらに,タスクを段階的に分解し,タスクツリーを生成して各タスクの計画量を削減する手法を提案する。
論文 参考訳(メタデータ) (2023-06-08T13:10:00Z) - Humans decompose tasks by trading off utility and computational cost [10.366866096121347]
人間の振る舞いは、タスクの精巧な分解を目標、サブゴール、低レベルのアクションに計画することから生まれる。
本稿では,タスク分解の規範的枠組みを,計画全体のコスト削減のためにタスクを分解するという単純な考え方に基づいて提案し,評価する。
論文 参考訳(メタデータ) (2022-11-07T22:45:46Z) - Decomposed Prompting: A Modular Approach for Solving Complex Tasks [55.42850359286304]
本稿では,より単純なサブタスクに分解することで,複雑なタスクを解くための分解プロンプトを提案する。
このモジュール構造は、各プロンプトを特定のサブタスクに最適化することを可能にする。
Decomposed Promptingの柔軟性とモジュラリティは、数発のプロンプトで先行作業より優れていることを示す。
論文 参考訳(メタデータ) (2022-10-05T17:28:20Z) - Fast Inference and Transfer of Compositional Task Structures for
Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。
我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。
提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文 参考訳(メタデータ) (2022-05-25T10:44:25Z) - Learning Task Decomposition with Ordered Memory Policy Network [73.3813423684999]
OMPN(Ordered Memory Policy Network)を提案し、デモから学習することでサブタスク階層を発見する。
ompnは部分的に観測可能な環境に適用でき、高いタスク分解性能を達成できる。
私たちの視覚化は、サブタスク階層がモデルに出現できることを確認します。
論文 参考訳(メタデータ) (2021-03-19T18:13:35Z) - Task Scoping: Generating Task-Specific Abstractions for Planning [19.411900372400183]
オープンスコープの世界モデルを用いた特定のタスクの計画は、計算的に難解である。
本稿では,初期条件,目標条件,タスクの遷移力学構造に関する知識を活用するタスクスコーピングを提案する。
タスクスコーピングは、関連要因やアクションを決して削除せず、その計算複雑性を特徴づけ、特に有用である計画上の問題を特徴づける。
論文 参考訳(メタデータ) (2020-10-17T21:19:25Z) - Hierarchical Reinforcement Learning as a Model of Human Task
Interleaving [60.95424607008241]
我々は、強化学習によって駆動される監督制御の階層モデルを開発する。
このモデルは、タスクインターリービングの既知の経験的効果を再現する。
その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
論文 参考訳(メタデータ) (2020-01-04T17:53:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。