論文の概要: A-ePA*SE: Anytime Edge-Based Parallel A* for Slow Evaluations

• arxiv url: http://arxiv.org/abs/2305.04408v1
• Date: Mon, 8 May 2023 01:21:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 16:04:44.361762
• Title: A-ePA*SE: Anytime Edge-Based Parallel A* for Slow Evaluations
• Title（参考訳）: A-ePA*SE: 緩やかな評価のためのエッジベース並列A*
• Authors: Hanlan Yang, Shohin Mukherjee, Maxim Likhachev
• Abstract要約: 任意の検索アルゴリズムは、限られた時間予算の下でソリューションが要求されるような計画上の問題に有用である。 そのようなアルゴリズムの1つであるePA*SEは、より高速な計画を実現するためにエッジ評価を並列化する。 A-ePA*SEは他の検索手法よりもはるかに効率的であることを示す。
• 参考スコア（独自算出の注目度）: 15.00536873208851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anytime search algorithms are useful for planning problems where a solution is desired under a limited time budget. Anytime algorithms first aim to provide a feasible solution quickly and then attempt to improve it until the time budget expires. On the other hand, parallel search algorithms utilize the multithreading capability of modern processors to speed up the search. One such algorithm, ePA*SE (Edge-Based Parallel A* for Slow Evaluations), parallelizes edge evaluations to achieve faster planning and is especially useful in domains with expensive-to-compute edges. In this work, we propose an extension that brings the anytime property to ePA*SE, resulting in A-ePA*SE. We evaluate A-ePA*SE experimentally and show that it is significantly more efficient than other anytime search methods. The open-source code for A-ePA*SE, along with the baselines, is available here: https://github.com/shohinm/parallel_search
• Abstract（参考訳）: 任意の時間探索アルゴリズムは、限られた時間予算で解が要求される問題計画に有用である。 anytimeアルゴリズムは、最初に実現可能なソリューションを迅速に提供し、予算が満了するまでそれを改善しようとする。 一方、並列探索アルゴリズムは、現代のプロセッサのマルチスレッディング機能を利用して検索を高速化している。 そのようなアルゴリズムの1つであるePA*SE(Edge-based Parallel A* for Slow Evaluations)は、エッジ評価を並列化してより高速な計画を実現する。 本研究では、ePA*SEに任意のプロパティをもたらす拡張を提案し、その結果、A-ePA*SEとなる。 我々はA-ePA*SEを実験的に評価し、他の検索方法よりもはるかに効率的であることを示す。 a-epa*seのオープンソースコードは、ベースラインとともに、ここで入手できる。 https://github.com/shohinm/parallel_search。

関連論文リスト

• A Real-Time Rescheduling Algorithm for Multi-robot Plan Execution [9.839983977902671]
  Switchable-Edge Search (SES) は最適通過順序を見つけるために設計されたA*スタイルのアルゴリズムである。 本研究では,SESの最適性を証明し,シミュレーションによる効率評価を行う。
  論文  参考訳（メタデータ） (2024-03-26T23:10:41Z)
• Quality-Diversity Algorithms Can Provably Be Helpful for Optimization [24.694984679399315]
  QD(Quality-Diversity)アルゴリズムは、ハイパフォーマンスだが多様なソリューションのセットを見つけることを目的としている。 本稿では,厳密な実行時間解析によってQDアルゴリズムの最適化能力に光を当てようとしている。
  論文  参考訳（メタデータ） (2024-01-19T07:40:24Z)
• GePA*SE: Generalized Edge-Based Parallel A* for Slow Evaluations [17.726855371829284]
  GePA*SE: Slow Evaluations のための一般化エッジベースの並列 A* について紹介する。 状態展開とエッジ評価の並列化の観点から、PA*SEとePA*SEの考え方を一般化する。 特に,動作プリミティブの計算に費用と費用がかかる動作空間を有する高DoFロボットアームの操作計画に焦点をあてる。
  論文  参考訳（メタデータ） (2023-01-24T23:24:47Z)
• A Push-Relabel Based Additive Approximation for Optimal Transport [5.111364864495785]
  最適な輸送を計算するための厳密なアルゴリズムは遅くなる。 我々は、OT距離の$varepsilon$approximationを求めるための、新しい非常に単純なアプローチを導入する。 我々のアルゴリズムは、OT距離を計算するために、O(n2/varepsilon2)$のほぼ最適実行時間を達成する。
  論文  参考訳（メタデータ） (2022-03-07T21:40:14Z)
• Leveraging Experience in Lazy Search [37.75223642505171]
  遅延グラフ探索アルゴリズムは、エッジ評価が計算ボトルネックとなる動き計画問題の解法において効率的である。 我々は,この問題を探索問題の状態に関するマルコフ決定過程 (MDP) として定式化する。 我々は,訓練中にMDPを解くことができる分子セレクタを計算可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-10T00:46:44Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• ISTA-NAS: Efficient and Consistent Neural Architecture Search by Sparse Coding [86.40042104698792]
  スパース符号問題としてニューラルアーキテクチャ探索を定式化する。 実験では、CIFAR-10の2段階法では、検索にわずか0.05GPUしか必要としない。 本手法は,CIFAR-10とImageNetの両方において,評価時間のみのコストで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-13T04:34:24Z)
• Efficient Computation of Expectations under Spanning Tree Distributions [67.71280539312536]
  本稿では,エッジファクター,非プロジェクティブ・スパンニングツリーモデルにおいて,一階期待と二階期待の重要なケースに対する統一アルゴリズムを提案する。 我々のアルゴリズムは勾配と期待の基本的な関係を利用しており、効率的なアルゴリズムを導出することができる。
  論文  参考訳（メタデータ） (2020-08-29T14:58:26Z)

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。