論文の概要: An Efficient Incremental Simple Temporal Network Data Structure for Temporal Planning

• arxiv url: http://arxiv.org/abs/2212.07226v1
• Date: Wed, 14 Dec 2022 13:57:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 14:52:58.317061
• Title: An Efficient Incremental Simple Temporal Network Data Structure for Temporal Planning
• Title（参考訳）: 時間計画のための効率的なインクリメンタル簡易時間ネットワークデータ構造
• Authors: Andrea Micheli
• Abstract要約: 時間的計画問題の解法の一つは、因果決定を分離し、時間的決定から時間的決定へ、それらを単純な時間的ネットワーク(STN)解決器に求めることである。 本稿では,STNが時間的計画においてどのように使用されるのかを詳述し,このユースケースをサポートするための明確なインターフェースを特定し,時間的・メモリ効率の両面から,このインターフェースを実装する効率的なデータ構造を提案する。 デルタステンと呼ばれる我々のデータ構造は、時間的計画順序に関する他の最先端のアプローチよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 7.835452825434851
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: One popular technique to solve temporal planning problems consists in decoupling the causal decisions, demanding them to heuristic search, from temporal decisions, demanding them to a simple temporal network (STN) solver. In this architecture, one needs to check the consistency of a series of STNs that are related one another, therefore having methods to incrementally re-use previous computations and that avoid expensive memory duplication is of paramount importance. In this paper, we describe in detail how STNs are used in temporal planning, we identify a clear interface to support this use-case and we present an efficient data-structure implementing this interface that is both time- and memory-efficient. We show that our data structure, called \deltastn, is superior to other state-of-the-art approaches on temporal planning sequences of problems.
• Abstract（参考訳）: 時間計画問題を解決する一般的な手法は、因果決定を分離し、時間的決定からヒューリスティックな探索を要求し、単純な時間的ネットワーク(stn)解決者に要求することである。 このアーキテクチャでは、相互に関連のある一連のsnsの一貫性を確認する必要があるため、前回の計算を段階的に再利用し、高価なメモリ重複を回避する方法が最重要となる。 本稿では,STNが時間的計画においてどのように使用されるのかを詳述し,このユースケースをサポートするための明確なインターフェースを特定し,時間的・メモリ効率の両面から,このインターフェースを実装する効率的なデータ構造を提案する。 我々のデータ構造は \deltastn と呼ばれ、時間的計画順序に関する他の最先端のアプローチよりも優れていることを示す。

関連論文リスト

• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
  進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。 シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T15:10:55Z)
• Time-Aware Knowledge Representations of Dynamic Objects with Multidimensional Persistence [41.32931849366751]
  本稿では,暗黙的な時間依存トポロジ情報に着目した時間認識型知識表現機構を提案する。 特に,TMP(textitTemporal MultiPersistence)と呼ばれる新しい手法を提案する。 TMP法は、最先端のマルチパーシスタンスサマリーの計算効率を59.5倍に向上させる。
  論文  参考訳（メタデータ） (2024-01-24T00:33:53Z)
• Temporal-aware Hierarchical Mask Classification for Video Semantic Segmentation [62.275143240798236]
  ビデオセマンティックセグメンテーションデータセットは、ビデオ毎のカテゴリが限られている。 VSSトレーニング中に意味のある勾配更新を受けるために、クエリの10%未満がマッチする可能性がある。 提案手法は,最新のVSSベンチマークVSPWにおいてベルやホイッスルを使わずに,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-09-14T20:31:06Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• HUSP-SP: Faster Utility Mining on Sequence Data [48.0426095077918]
  高実用性シーケンシャルパターンマイニング (HUSPM) が重要視されている。 シークエンスプロジェクション(seqPro)と呼ばれるコンパクトな構造を設計し、シークエンスプロ構造(HUSP-SP)を用いた効率的なアルゴリズムを提案する。 HUSP-SPは, 実行時間, メモリ使用量, 検索空間のプルーニング効率, スケーラビリティにおいて, 最先端のアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2022-12-29T10:56:17Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• Scalable Motif Counting for Large-scale Temporal Graphs [25.90869257290865]
  大規模時間グラフにおける時間的モチーフを正確にカウントするための拡張性のある並列フレームワークを提案する。 提案手法に基づいて,ノード間並列戦略とノード内並列戦略の両方を特徴とする階層型並列フレームワークを設計する。 16の実世界の時間グラフデータセットに対する実験により,提案フレームワークの優位性と性能が示された。
  論文  参考訳（メタデータ） (2022-04-20T05:41:38Z)
• Efficient Temporal Piecewise-Linear Numeric Planning with Lazy Consistency Checking [4.834203844100679]
  本稿では,プランナがLP整合性チェックを可能な限り遅延的に計算できる手法を提案する。 また,時間依存ゴールチェックをより選択的に行うアルゴリズムを提案する。 結果として得られるプランナーは、より効率的であるだけでなく、最先端の時間数値とハイブリッドプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-05-21T07:36:54Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。