論文の概要: NeSIG: A Neuro-Symbolic Method for Learning to Generate Planning Problems
- arxiv url: http://arxiv.org/abs/2301.10280v2
- Date: Tue, 16 Jul 2024 17:37:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-18 00:30:09.202581
- Title: NeSIG: A Neuro-Symbolic Method for Learning to Generate Planning Problems
- Title(参考訳): NeSIG: 計画問題生成のためのニューロシンボリックな学習方法
- Authors: Carlos Núñez-Molina, Pablo Mesejo, Juan Fernández-Olivares,
- Abstract要約: 我々はNe SIGを提案し、私たちの知る限り、計画問題を自動的に生成する最初のドメインに依存しない手法を提案する。
マルコフ決定プロセスとして問題生成を定式化し、Deep Reinforcement Learningを用いて2つの生成ポリシーを訓練して問題を生成する。
結果は、Ne SIGがドメイン固有のジェネレータよりもはるかに難しい、有効で多様な問題を自動生成できることを示している。
- 参考スコア(独自算出の注目度): 9.176056742068814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of Automated Planning there is often the need for a set of planning problems from a particular domain, e.g., to be used as training data for Machine Learning or as benchmarks in planning competitions. In most cases, these problems are created either by hand or by a domain-specific generator, putting a burden on the human designers. In this paper we propose NeSIG, to the best of our knowledge the first domain-independent method for automatically generating planning problems that are valid, diverse and difficult to solve. We formulate problem generation as a Markov Decision Process and train two generative policies with Deep Reinforcement Learning to generate problems with the desired properties. We conduct experiments on three classical domains, comparing our approach against handcrafted, domain-specific instance generators and various ablations. Results show NeSIG is able to automatically generate valid and diverse problems of much greater difficulty (15.5 times more on geometric average) than domain-specific generators, while simultaneously reducing human effort when compared to them. Additionally, it can generalize to larger problems than those seen during training.
- Abstract(参考訳): 自動計画(Automated Planning)の分野では、マシンラーニングのトレーニングデータや、計画競合のベンチマークとして使用されるような、特定のドメインからの計画上の問題セットが必要になることが多い。
ほとんどの場合、これらの問題は手動かドメイン固有のジェネレータによって生成され、人間の設計者に負担がかかる。
本稿では,NeSIGを提案する。この知識を最大限に活用するために,有効で多種多様で解決が難しい計画問題を自動的に生成する,ドメインに依存しない最初の手法を提案する。
マルコフ決定プロセスとして問題生成を定式化し、Deep Reinforcement Learning を用いて2つの生成ポリシーを訓練し、所望の特性の問題を発生させる。
我々は3つの古典的ドメインについて実験を行い、手工芸のドメイン固有のインスタンスジェネレータと様々なアブリケーションに対するアプローチを比較した。
結果は、NeSIGがドメイン固有のジェネレータよりもはるかに困難(幾何平均の15.5倍)な、有効で多様な問題を自動生成できることを示している。
さらに、トレーニング中に見られる問題よりも大きな問題に一般化することができる。
関連論文リスト
- Multi-agent Planning using Visual Language Models [2.2369578015657954]
大規模言語モデル(LLM)とビジュアル言語モデル(VLM)は、様々なドメインやタスクにわたるパフォーマンスとアプリケーションの改善により、関心を集めている。
LLMとVLMは、特に問題領域の深い理解が必要な場合、誤った結果をもたらす。
本稿では,特定のデータ構造を入力として必要とせずに動作可能なマルチエージェント型タスクプランニングアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-08-10T08:10:17Z) - Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。
計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。
学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
論文 参考訳(メタデータ) (2024-07-01T16:53:00Z) - PPM: Automated Generation of Diverse Programming Problems for
Benchmarking Code Generation Models [10.491051578439722]
本稿では,PPM(Programling problem merging)の概念を提案し,この概念の2つの実装を提供し,このツールを広く利用されている2つのデータセット上で活用する。
その結果、より困難で多様な、そして自然なプログラミング問題を生み出す上で、我々のツールの有効性が示された。
論文 参考訳(メタデータ) (2024-01-28T02:27:38Z) - Automated Process Planning Based on a Semantic Capability Model and SMT [50.76251195257306]
製造システムと自律ロボットの研究において、機械で解釈可能なシステム機能の仕様に「能力」という用語が用いられる。
セマンティック能力モデルから始めて、AI計画問題を自動的に生成するアプローチを提案する。
論文 参考訳(メタデータ) (2023-12-14T10:37:34Z) - Large Language Models as Analogical Reasoners [155.9617224350088]
CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。
そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
論文 参考訳(メタデータ) (2023-10-03T00:57:26Z) - The No Free Lunch Theorem, Kolmogorov Complexity, and the Role of Inductive Biases in Machine Learning [80.1018596899899]
ニューラルネットワークモデルは、Kolmogorov複雑性を使って形式化された、同じ好みを共有している、と我々は主張する。
実験の結果、事前訓練された言語モデルでも、低複雑さのシーケンスを生成するのが好まれることがわかった。
これらの観察は、ますます小さな機械学習モデルで異なるように見える問題を統一する深層学習の傾向を正当化する。
論文 参考訳(メタデータ) (2023-04-11T17:22:22Z) - Graph-Based Specification and Automated Construction of ILP Problems [0.0]
GIPS(Graph-based ILP Problem Specification Tool)フレームワークを導入し、ICP問題ジェネレータの開発を簡単にする。
我々のアプローチでは、特定のアプリケーションドメインに対するILP問題生成を自動生成する出発点として、GIPSL仕様を用いています。
最初の実験では、派生したICP問題生成器が、ICPの専門家によって開発された手作りプログラムと競合することを示した。
論文 参考訳(メタデータ) (2022-12-22T11:52:35Z) - OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer
Learning for Telepresence Robotics [124.08684545010664]
画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。
オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
論文 参考訳(メタデータ) (2022-02-21T13:23:15Z) - An actor-critic algorithm with policy gradients to solve the job shop
scheduling problem using deep double recurrent agents [1.3812010983144802]
ジョブショップスケジューリング問題(JSSP)に対する深層強化学習手法を提案する。
目的は、ジョブやマシンの数によって異なるJSSPインスタンスのディストリビューションについて学べるgreedyのようなものを構築することである。
予想通り、モデルはある程度は、トレーニングで使用されるものと異なる分布から生じるより大きな問題やインスタンスに一般化することができる。
論文 参考訳(メタデータ) (2021-10-18T07:55:39Z) - GeoQA: A Geometric Question Answering Benchmark Towards Multimodal
Numerical Reasoning [172.36214872466707]
我々は、テキスト記述、視覚図、定理知識の包括的理解を必要とする幾何学的問題を解くことに注力する。
そこで本研究では,5,010の幾何学的問題を含む幾何学的質問応答データセットGeoQAを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:34:17Z) - Exploring Instance Generation for Automated Planning [1.6735240552964108]
制約プログラミングと自動計画はこれらの分野の例である。
各解法の効率は、問題間だけでなく、同じ問題のインスタンス間でも異なる。
本稿では,Essenceを用いて計画上の問題記述全体をモデル化する手法を提案する。
論文 参考訳(メタデータ) (2020-09-21T19:58:33Z)
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。