Fugu-MT 論文翻訳(概要): Computing Programs for Generalized Planning as Heuristic Search

論文の概要: Computing Programs for Generalized Planning as Heuristic Search

arxiv url: http://arxiv.org/abs/2205.06259v1
Date: Thu, 12 May 2022 17:57:09 GMT
ステータス: 処理完了
システム内更新日: 2022-05-13 13:45:04.357754
Title: Computing Programs for Generalized Planning as Heuristic Search
Title（参考訳）: ヒューリスティック検索としての汎用計画計算プログラム
Authors: Javier Segovia-Aguas, Sergio Jim\'enez, Anders Jonsson
Abstract要約: 本稿では,一般計画(GP)の特質に探索パラダイムとしての計画を適用する。 GPのためのBFGPアルゴリズムは,プログラムベースの解空間において最良優先探索を実装している。
参考スコア（独自算出の注目度）: 10.850101961203748
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Although heuristic search is one of the most successful approaches to classical planning, this planning paradigm does not apply straightforwardly to Generalized Planning (GP). This paper adapts the planning as heuristic search paradigm to the particularities of GP, and presents the first native heuristic search approach to GP. First, the paper defines a program-based solution space for GP that is independent of the number of planning instances in a GP problem, and the size of these instances. Second, the paper defines the BFGP algorithm for GP, that implements a best-first search in our program-based solution space, and that is guided by different evaluation and heuristic functions.
Abstract（参考訳）: ヒューリスティック探索は古典計画における最も成功した手法の1つであるが、この計画パラダイムは一般化計画(GP)に直接適用されない。本稿では,計画をヒューリスティック探索パラダイムとしてgpの特異性に適用し,gpに対する最初のネイティブヒューリスティック探索手法を提案する。まず、GP問題における計画インスタンスの数と、これらのインスタンスのサイズに依存しないGPのためのプログラムベースのソリューション空間を定義する。第2に,プログラムベースの解空間において最優先探索を実装し,異なる評価とヒューリスティック関数によって導かれるgpのbfgpアルゴリズムを定義する。

関連論文リスト

Parallel Strategies for Best-First Generalized Planning [51.713634067802104]
汎用計画(GP)は、複数の古典的な計画インスタンスを解くことができるアルゴリズムのようなソリューションの自動合成を研究するAIの研究分野である。現在の進歩の1つはBest-First Generalized Planning (BFGP) の導入である。本稿では,並列探索手法をBFGPに適用し,性能ギャップを埋める上で重要な要素であることを示す。
論文参考訳（メタデータ） (2024-07-31T09:50:22Z)
Novelty and Lifted Helpful Actions in Generalized Planning [14.513354207511151]
本稿では,計画プログラムに関する新規性を計算するアクションノベルティランクの概念を紹介する。本稿では,新たな計画計画プログラムを創発する新規性に基づく一般化計画解法を提案する。
論文参考訳（メタデータ） (2023-07-03T03:44:12Z)
Generalized Planning as Heuristic Search: A new planning search-space that leverages pointers over objects [10.850101961203748]
本稿では,一般計画(GP)の一般化要件に探索パラダイムとしての計画を適用する。本稿では,新しいGP解空間における探索を導くための評価関数と計算関数のセットを定義する。 BFGP(Best-First Generalized Planning)と呼ばれるGPのための新しいアルゴリズムのアップグレード版では、ポインタベースのソリューション空間でベストファースト検索を実装している。
論文参考訳（メタデータ） (2023-01-26T13:25:39Z)
Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文参考訳（メタデータ） (2022-05-27T16:43:10Z)
Scaling-up Generalized Planning as Heuristic Search with Landmarks [9.653976364051564]
一般化計画は通常、与えられたアルゴリズム的解の空間における探索として扱われる。この種のソリューション評価は、計画インスタンスの表現において明示されていないどんなサブゴール情報も無視する。 GPのノード拡張は、古典的なプランニングインスタンスのバッチ全体にわたってすべての子ノードを評価する必要があるため、実行時のボトルネックである。
論文参考訳（メタデータ） (2022-05-10T12:42:48Z)
Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
論文参考訳（メタデータ） (2022-01-30T20:42:14Z)
Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文参考訳（メタデータ） (2021-10-13T15:11:25Z)
Generalized Planning as Heuristic Search [12.160708336715489]
本稿では,計画を探索パラダイムとして一般化計画(gp)の特質に適用する。本稿では,GP問題における計画インスタンスの数と,これらのインスタンスのサイズに依存しない,新しいGPソリューション空間を定義する。最後に,BFGP(Best-First Generalized Planning)と呼ばれるGPアルゴリズムを定義し,評価・ヒューリスティック関数によって導かれる解空間において,ベストファーストな探索を行う。
論文参考訳（メタデータ） (2021-03-26T12:35:10Z)
Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
論文参考訳（メタデータ） (2020-06-23T17:58:56Z)
Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文参考訳（メタデータ） (2020-04-23T18:08:58Z)

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。