論文の概要: Learning First-Order Representations for Planning from Black-Box States:
New Results
- arxiv url: http://arxiv.org/abs/2105.10830v1
- Date: Sun, 23 May 2021 00:08:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 15:19:27.394427
- Title: Learning First-Order Representations for Planning from Black-Box States:
New Results
- Title(参考訳): ブラックボックス状態から計画のための一階表現を学ぶ:新しい結果
- Authors: Ivan D. Rodriguez, Blai Bonet, Javier Romero, Hector Geffner
- Abstract要約: ボーントとゲフナーは、計画領域に対する一階表現は状態空間の構造から学ぶことができることを示した。
ボネットとゲフナーによって導入された領域は、新しいアプローチでより効率的に解けることを示す。
- 参考スコア(独自算出の注目度): 21.071885778609747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently Bonet and Geffner have shown that first-order representations for
planning domains can be learned from the structure of the state space without
any prior knowledge about the action schemas or domain predicates. For this,
the learning problem is formulated as the search for a simplest first-order
domain description D that along with information about instances I_i (number of
objects and initial state) determine state space graphs G(P_i) that match the
observed state graphs G_i where P_i = (D, I_i). The search is cast and solved
approximately by means of a SAT solver that is called over a large family of
propositional theories that differ just in the parameters encoding the possible
number of action schemas and domain predicates, their arities, and the number
of objects. In this work, we push the limits of these learners by moving to an
answer set programming (ASP) encoding using the CLINGO system. The new
encodings are more transparent and concise, extending the range of possible
models while facilitating their exploration. We show that the domains
introduced by Bonet and Geffner can be solved more efficiently in the new
approach, often optimally, and furthermore, that the approach can be easily
extended to handle partial information about the state graphs as well as noise
that prevents some states from being distinguished.
- Abstract(参考訳): 最近、boint氏とgeffner氏は、計画ドメインのための一階表現は、アクションスキーマやドメイン述語について事前の知識なしに、状態空間の構造から学べることを示した。
このために、学習問題は、インスタンスi_i(オブジェクト数と初期状態)に関する情報と共に、観察された状態グラフg_iと一致する状態空間グラフg(p_i)を決定する最も単純な一階のドメイン記述dの探索として定式化される。
探索は、可能なアクションスキーマとドメイン述語の数、それらのアーティリティ、およびオブジェクトの数を符号化するパラメータだけが異なる命題理論の大規模なファミリー上で呼び出されるsatソルバによって、ほぼキャストされ、解決される。
本研究では,これらの学習者の限界を,ClingOシステムを用いた解集合プログラミング(ASP)エンコーディングに移行することによって押し上げる。
新しいエンコーディングはより透明で簡潔で、可能なモデルの範囲を広げつつ、探索を容易にする。
ボネットとゲフナーによって導入された領域は、新しいアプローチでより効率的に解くことができ、さらに、状態グラフに関する部分的な情報や、いくつかの状態の区別を妨げるノイズを扱うために容易に拡張できることを示した。
関連論文リスト
- Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳(メタデータ) (2023-03-26T04:03:37Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳(メタデータ) (2022-04-22T10:45:01Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳(メタデータ) (2022-01-25T00:10:03Z) - Reasoning Through Memorization: Nearest Neighbor Knowledge Graph
Embeddings [29.94706167233985]
kNN-KGEは、事前訓練された言語モデルを用いた新しい知識グラフ埋め込みアプローチである。
我々は、知識ストアからのエンティティ埋め込み空間内の距離に基づいて、最も近い隣人を計算する。
論文 参考訳(メタデータ) (2022-01-14T17:35:16Z) - Outlining and Filling: Hierarchical Query Graph Generation for Answering
Complex Questions over Knowledge Graph [16.26384829957165]
クエリグラフを構築するための新しい2段階のアプローチを提案する。
最初の段階では、上位$kの関連インスタンスは単純な戦略で収集される。
第2段階では、グラフ生成モデルが階層生成を行う。
論文 参考訳(メタデータ) (2021-11-01T07:08:46Z) - CMT in TREC-COVID Round 2: Mitigating the Generalization Gaps from Web
to Special Domain Search [89.48123965553098]
本稿では,特殊領域適応問題を緩和する探索システムを提案する。
このシステムは、ドメイン適応型事前学習と数発の学習技術を利用して、ニューラルネットワークがドメインの不一致を軽減するのに役立つ。
本システムでは,TREC-COVID タスクの第2ラウンドにおいて,非マニュアル実行において最善を尽くす。
論文 参考訳(メタデータ) (2020-11-03T09:10:48Z) - HOSE-Net: Higher Order Structure Embedded Network for Scene Graph
Generation [20.148175528691905]
本稿では,関係の局所的および大域的構造情報を出力空間に組み込むための新しい構造認識型組込み分類器(SEC)モジュールを提案する。
また,高次構造情報を導入して部分空間の数を減らし,階層的セマンティックアグリゲーション(HSA)モジュールを提案する。
提案したHOSE-Netは、Visual GenomeとVRDの2つの人気のあるベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-08-12T07:58:13Z) - STRIPS Action Discovery [67.73368413278631]
近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。
アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-30T17:08:39Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳(メタデータ) (2020-01-18T09:14:16Z)
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。