論文の概要: An Accurate HDDL Domain Learning Algorithm from Partial and Noisy Observations

• arxiv url: http://arxiv.org/abs/2206.06882v1
• Date: Tue, 14 Jun 2022 14:32:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 14:36:29.850530
• Title: An Accurate HDDL Domain Learning Algorithm from Partial and Noisy Observations
• Title（参考訳）: 部分・雑音観測による高精度HDDL領域学習アルゴリズム
• Authors: M. Grand, H. Fiorino and D. Pellier
• Abstract要約: 階層型タスクネットワーク(sf HTN)は、非常に表現力があり、幅広い計画問題を表現するために使用される。 HierAMLSIは、ノイズや部分的な入力を高いレベルまたは精度で観察することで、アクションとメソッドの両方を学習することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Hierarchical Task Network ({\sf HTN}) formalism is very expressive and used to express a wide variety of planning problems. In contrast to the classical {\sf STRIPS} formalism in which only the action model needs to be specified, the {\sf HTN} formalism requires to specify, in addition, the tasks of the problem and their decomposition into subtasks, called {\sf HTN} methods. For this reason, hand-encoding {\sf HTN} problems is considered more difficult and more error-prone by experts than classical planning problem. To tackle this problem, we propose a new approach (HierAMLSI) based on grammar induction to acquire {\sf HTN} planning domain knowledge, by learning action models and {\sf HTN} methods with their preconditions. Unlike other approaches, HierAMLSI is able to learn both actions and methods with noisy and partial inputs observation with a high level or accuracy.
• Abstract（参考訳）: 階層的タスクネットワーク ({\sf HTN}) は、非常に表現力があり、様々な計画問題を表現するために用いられる。 アクションモデルのみを指定しなければならない古典的な {\sf STRIPS} 形式主義とは対照的に、 {\sf HTN} 形式主義は、問題のタスクとそれらのサブタスクへの分解を指定し、それを {\sf HTN} メソッドと呼ぶ。 このため、ハンドエンコーディング問題(英語版)は古典的な計画問題よりも専門家によって難しくエラーやすいと考えられている。 この問題に対処するため,我々は文法誘導に基づく新しい手法 (HierAMLSI) を提案し,ドメイン知識を計画する {\sf HTN} の事前条件付きアクションモデルと {\sf HTN} の手法を学習する。 他のアプローチとは異なり、HierAMLSIはノイズや部分的な入力を高いレベルまたは精度で観察することで、アクションとメソッドの両方を学ぶことができる。

関連論文リスト

• A First-order Generative Bilevel Optimization Framework for Diffusion Models [57.40597004445473]
  拡散モデルは、データサンプルを反復的に分解して高品質な出力を合成する。 従来の二値法は無限次元の確率空間と禁制的なサンプリングコストのために失敗する。 我々はこの問題を生成的二段階最適化問題として定式化する。 従来の2段階法と拡散過程の非互換性を克服する。
  論文  参考訳（メタデータ） (2025-02-12T21:44:06Z)
• Learning Lifted STRIPS Models from Action Traces Alone: A Simple, General, and Scalable Solution [9.360397167690731]
  アクショントレースからSTRIPSアクションモデルを学ぶことは、ドメインの述語も学習するので、難しい問題です。 この研究では、よく知られたLOCMシステムと同様、SATアプローチと同様にスケーラブルで完全である新しいアプローチが導入された。
  論文  参考訳（メタデータ） (2024-11-22T15:09:50Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• Opening the Black Box: Analyzing Attention Weights and Hidden States in Pre-trained Language Models for Non-language Tasks [0.8889304968879164]
  階層構造を持つ制約付き算術問題に対して,事前学習した言語モデルを適用し,その注意重みと隠れ状態を分析する。 この調査は、人間の問題解決戦略と同様に、階層的な問題を適度に構造化した方法で解決するモデルによって、有望な結果を明らかにしている。 注意分析により、モデルがListOpsデータセットの長いシーケンスに一般化できると仮定できる。
  論文  参考訳（メタデータ） (2023-06-21T11:48:07Z)
• On Guiding Search in HTN Temporal Planning with non Temporal Heuristics [1.325953054381901]
  本稿では,時間的HTN問題を表現・解決するための新しい一般POCL(Partial Order Causal Link)手法を提案する。 実験により、このアプローチは性能が高く、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-13T09:17:12Z)
• Compositional Semantic Parsing with Large Language Models [27.627684573915147]
  我々はより大きな語彙を持つより現実的な意味解析タスクにおける課題を特定する。 我々の最良の方法は最短のプロンプトに基づいている。 同様の取り組みが、他のタスクやドメインで新たな結果をもたらすことを期待しています。
  論文  参考訳（メタデータ） (2022-09-29T17:58:28Z)
• Improving Pre-trained Language Model Fine-tuning with Noise Stability Regularization [94.4409074435894]
  本稿では,LNSR(Layerwise Noise Stability Regularization)という,新規かつ効果的な微調整フレームワークを提案する。 具体的には、標準ガウス雑音を注入し、微調整モデルの隠れ表現を正規化することを提案する。 提案手法は,L2-SP,Mixout,SMARTなど他の最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-12T04:42:49Z)
• An Exploration of Prompt Tuning on Generative Spoken Language Model for Speech Processing Tasks [112.1942546460814]
  生成音声言語モデル(GSLM)に基づく音声処理タスクの即時チューニングパラダイムの最初の検討について報告する。 実験結果から, 学習可能なパラメータが少ない音声分類タスクにおいて, 高精度なダウンストリームモデルよりも, 即時チューニング手法が競合性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-03-31T03:26:55Z)
• High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
  本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。 各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。 合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-17T23:21:53Z)
• 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)

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。