論文の概要: Hierarchical Decomposition and Analysis for Generalized Planning
- arxiv url: http://arxiv.org/abs/2212.02823v2
- Date: Mon, 26 Jun 2023 18:43:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 17:45:27.643012
- Title: Hierarchical Decomposition and Analysis for Generalized Planning
- Title(参考訳): 一般化計画のための階層的分解と解析
- Authors: Siddharth Srivastava
- Abstract要約: 本稿では,一般化計画の分析と評価のための新しい手法を提案する。
我々は,証明手法とアルゴリズムプロセスとともに,新しい概念的枠組みを開発する。
このアプローチは、自動的に評価できる一般化された計画のクラスを著しく拡張することを示します。
- 参考スコア(独自算出の注目度): 26.288236123430117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents new methods for analyzing and evaluating generalized
plans that can solve broad classes of related planning problems. Although
synthesis and learning of generalized plans has been a longstanding goal in AI,
it remains challenging due to fundamental gaps in methods for analyzing the
scope and utility of a given generalized plan. This paper addresses these gaps
by developing a new conceptual framework along with proof techniques and
algorithmic processes for assessing termination and goal-reachability related
properties of generalized plans. We build upon classic results from graph
theory to decompose generalized plans into smaller components that are then
used to derive hierarchical termination arguments. These methods can be used to
determine the utility of a given generalized plan, as well as to guide the
synthesis and learning processes for generalized plans. We present theoretical
as well as empirical results illustrating the scope of this new approach. Our
analysis shows that this approach significantly extends the class of
generalized plans that can be assessed automatically, thereby reducing barriers
in the synthesis and learning of reliable generalized plans.
- Abstract(参考訳): 本稿では,関連する計画問題の幅広いクラスを解決できる汎用計画の解析と評価手法を提案する。
一般化計画の合成と学習は、aiの長年の目標であるが、与えられた一般化計画のスコープと有用性を分析する方法の根本的なギャップのため、依然として困難である。
本稿では,汎用計画の終了と目標到達性に関する特性を評価するための証明手法とアルゴリズムプロセスとともに,新たな概念枠組みを開発することで,これらのギャップを解消する。
グラフ理論の古典的な結果に基づいて、一般化された計画をより小さな成分に分解し、階層的終端論を導出する。
これらの方法は、与えられた一般化計画の効用を決定するだけでなく、一般化計画の合成と学習プロセスを導くのに使うことができる。
我々は,この新しいアプローチのスコープを示す実験結果とともに理論的に提示する。
分析の結果,この手法は,自動評価可能な一般化計画のクラスを大幅に拡張し,信頼性の高い一般化計画の合成と学習の障壁を低減できることを示した。
関連論文リスト
- Simple Hierarchical Planning with Diffusion [54.48129192534653]
拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。
階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。
我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
論文 参考訳(メタデータ) (2024-01-05T05:28:40Z) - On the Prospects of Incorporating Large Language Models (LLMs) in
Automated Planning and Scheduling (APS) [23.024862968785147]
本稿では, LLMのユニークな応用に基づく8つのカテゴリを, 計画問題の諸側面に対処するために検討する。
我々のレビューから得られた重要な洞察は、LLMの真の可能性は、従来のシンボリックプランナーと統合されたときに広がります。
論文 参考訳(メタデータ) (2024-01-04T19:22:09Z) - Beyond Average Return in Markov Decision Processes [49.157108194438635]
我々は、分散強化学習(DistRL)のより一般的なフレームワークであっても、一般化された手段のみが正確に最適化可能であることを証明した。
得られた推定器の誤差境界を提供し、このアプローチの潜在的な可能性とその限界について議論する。
論文 参考訳(メタデータ) (2023-10-31T08:36:41Z) - Consciousness-Inspired Spatio-Temporal Abstractions for Better
Generalization in Reinforcement Learning [88.38772200150387]
Skipperは、タスク時間を利用して、新しい状況下でスキルを学ぶモデルベースの強化学習エージェントである。
与えられたものをより小さく、より管理しやすいサブタスクに自動的に一般化し、スパースな意思決定を可能にする。
論文 参考訳(メタデータ) (2023-09-30T02:25:18Z) - Towards Ontology-Mediated Planning with OWL DL Ontologies (Extended
Version) [7.995360025953931]
本稿では,計画仕様とオントロジーを分離し,インターフェースを用いて連携する新しい手法を提案する。
これにより、計画の専門家は慣れ親しんだ形式主義で作業できるが、既存のドメインは専門家によって容易に統合され拡張できる。
既存の計画ツールで処理される古典的な計画問題に、全てを仲介する計画問題を書き換えることが目的だ。
論文 参考訳(メタデータ) (2023-08-16T08:05:53Z) - Goal Agnostic Planning using Maximum Likelihood Paths in Hypergraph
World Models [1.370633147306388]
本稿では,ハイパーグラフに基づく機械学習アルゴリズム,データ構造駆動型メンテナンス手法,およびDijkstraのアルゴリズムの確率的応用に基づく計画アルゴリズムを提案する。
このアルゴリズムが問題空間内の最適解を決定すること、数学的に有界な学習性能を証明し、時間を通してシステム状態の進行を解析する数学的モデルを提供する。
論文 参考訳(メタデータ) (2021-10-18T16:22:33Z) - Forethought and Hindsight in Credit Assignment [62.05690959741223]
我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。
本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
論文 参考訳(メタデータ) (2020-10-26T16:00:47Z) - 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) - 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。