論文の概要: Learning Numerical Action Models from Noisy Input Data

• arxiv url: http://arxiv.org/abs/2111.04997v1
• Date: Tue, 9 Nov 2021 08:36:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 15:06:35.596296
• Title: Learning Numerical Action Models from Noisy Input Data
• Title（参考訳）: 雑音入力データから数値行動モデルを学ぶ
• Authors: Jos\'e \'A. Segura-Muros and Juan Fern\'andez-Olivares and Ra\'ul P\'erez
• Abstract要約: PlanMinerアルゴリズムは算術および論理式を推論し、入力データから数値計画領域を学習することができる。 我々は、ノイズの多いデータから学習する能力を拡張するために、PlanMinerの学習プロセスの一連の拡張を提案する。
• 参考スコア（独自算出の注目度）: 1.299941371793082
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents the PlanMiner-N algorithm, a domain learning technique based on the PlanMiner domain learning algorithm. The algorithm presented here improves the learning capabilities of PlanMiner when using noisy data as input. The PlanMiner algorithm is able to infer arithmetic and logical expressions to learn numerical planning domains from the input data, but it was designed to work under situations of incompleteness making it unreliable when facing noisy input data. In this paper, we propose a series of enhancements to the learning process of PlanMiner to expand its capabilities to learn from noisy data. These methods preprocess the input data by detecting noise and filtering it and study the learned action models learned to find erroneous preconditions/effects in them. The methods proposed in this paper were tested using a set of domains from the International Planning Competition (IPC). The results obtained indicate that PlanMiner-N improves the performance of PlanMiner greatly when facing noisy input data.
• Abstract（参考訳）: 本論文では,PlanMiner-Nアルゴリズムを提案する。 ここで提示されるアルゴリズムは、ノイズの多いデータを入力として使用する際のPlanMinerの学習能力を改善する。 planminerアルゴリズムは、入力データから算術や論理式を推論し、数値計画領域を学習することができるが、不完全な状況下で動作するように設計されており、ノイズの多い入力データに対して信頼できない。 本稿では,ノイズの多いデータから学習する能力を拡張するために,PlanMinerの学習プロセスの一連の拡張を提案する。 これらの手法はノイズの検出とフィルタリングによって入力データを前処理し、誤った前提条件/効果を見つけるために学習した行動モデルを調べる。 本稿では,国際計画コンペティション(ipc)の一連のドメインを用いて,提案手法を検証した。 その結果,PlanMiner-Nはノイズの多い入力データに直面するとPlanMinerの性能を大幅に向上することがわかった。

関連論文リスト

• Improving Algorithm-Selection and Performance-Prediction via Learning Discriminating Training Samples [0.20718016474717196]
  本稿では,解決者のポートフォリオに関して,識別的軌跡を生成するメタアプローチを提案する。 アルゴリズム選択と性能予測のために調整SAアルゴリズムから得られたトラジェクトリがMLモデルに使用される場合,性能指標が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-04-08T09:52:19Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Custom DNN using Reward Modulated Inverted STDP Learning for Temporal Pattern Recognition [0.0]
  時間的スパイク認識は、異常検出、キーワードスポッティング、神経科学など、様々な領域において重要な役割を果たす。 本稿では,スパース事象系列データに基づく時間的スパイクパターン認識のための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-15T18:57:27Z)
• Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
  部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究 まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。 次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:04:03Z)
• A Survey on the Integration of Machine Learning with Sampling-based Motion Planning [9.264471872135623]
  本調査は、サンプリングベースモーションプランナー(SBMP)の計算効率と適用性を改善するための機械学習の取り組みを概観する。 まず、ノードサンプリング、衝突検出、距離または最も近い隣人、ローカルプランニング、終了条件など、SBMPのキーコンポーネントの強化に学習がどのように使われているかについて論じる。 また、機械学習を用いてロボットのデータ駆動モデルを提供し、それをSBMPで使用する方法についても論じている。
  論文  参考訳（メタデータ） (2022-11-15T18:13:49Z)
• BATS: Best Action Trajectory Stitching [22.75880303352508]
  本稿では,データセットに新たな遷移を加えることで,ログデータ上に表形式のマルコフ決定プロセス(MDP)を形成するアルゴリズムを提案する。 この性質により、値関数の上限と下限を適切な距離の測度に設定できることを示す。 本稿では,提案アルゴリズムが生成したMDPの最適ポリシーを単純にクローンする動作が,この問題を回避する一例を示す。
  論文  参考訳（メタデータ） (2022-04-26T01:48:32Z)
• TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
  本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。 また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。 実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T17:49:47Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
  本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。 ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2020-07-07T17:03:02Z)

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。