論文の概要: Relevance Score: A Landmark-Like Heuristic for Planning

• arxiv url: http://arxiv.org/abs/2403.07510v1
• Date: Tue, 12 Mar 2024 10:45:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 22:04:55.051909
• Title: Relevance Score: A Landmark-Like Heuristic for Planning
• Title（参考訳）: Relevance Score: ランドマークのような計画のためのヒューリスティック
• Authors: Oliver Kim and Mohan Sridharan
• Abstract要約: 我々は、特定の目標を達成するための計画がすべてではないが、ほとんどに現れる事実や行動を特定するのに役立つ新しい「関連スコア」を定義します。 我々は,提案手法の性能と,ベンチマーク計画問題を用いた画期的な計画手法の状況とを実験的に比較した。
• 参考スコア（独自算出の注目度）: 9.912614726055129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Landmarks are facts or actions that appear in all valid solutions of a planning problem. They have been used successfully to calculate heuristics that guide the search for a plan. We investigate an extension to this concept by defining a novel "relevance score" that helps identify facts or actions that appear in most but not all plans to achieve any given goal. We describe an approach to compute this relevance score and use it as a heuristic in the search for a plan. We experimentally compare the performance of our approach with that of a state of the art landmark-based heuristic planning approach using benchmark planning problems. While the original landmark-based heuristic leads to better performance on problems with well-defined landmarks, our approach substantially improves performance on problems that lack non-trivial landmarks.
• Abstract（参考訳）: ランドマークは、計画問題のすべての有効なソリューションに現れる事実やアクションです。 これらは計画の探索を導くヒューリスティックを計算するのにうまく使われている。 目的を達成するための計画のほとんどに現れる事実や行動を特定するのに役立つ新しい「関連スコア」を定義することで、この概念の拡張を検討する。 本稿では,この関連性スコアを計算し,計画探索におけるヒューリスティックとして用いる手法について述べる。 我々は,提案手法の性能を,ベンチマーク計画問題を用いた画期的なヒューリスティック計画手法の状況と比較した。 元々のランドマークに基づくヒューリスティックは、明確に定義されたランドマークを持つ問題に対するパフォーマンス向上につながるが、我々のアプローチは、非自明なランドマークを持たない問題に対するパフォーマンスを大幅に改善する。

関連論文リスト

• LHPF: Look back the History and Plan for the Future in Autonomous Driving [10.855426442780516]
  本稿では,歴史計画情報を統合した模倣学習プランナ LHPF を紹介する。 我々のアプローチでは、歴史的計画意図をプールする歴史的意図集約モジュールを採用している。 実世界のデータと合成データの両方を用いた実験は、LHPFが既存の高度な学習ベースのプランナーに勝るだけでなく、純粋に学習ベースのプランナーがエキスパートを上回った最初の事例であることを示している。
  論文  参考訳（メタデータ） (2024-11-26T09:30:26Z)
• Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos [48.15438373870542]
  VidAssistは、インストラクショナルビデオにおけるゼロ/フェーショット目標指向の計画のために設計された統合フレームワークである。 最適な計画生成のための幅優先探索アルゴリズムを採用している。 実験によると、VidAssistは異なる目標指向の計画設定のための統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:28Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• On the Markov Property of Neural Algorithmic Reasoning: Analyses and Methods [94.72563337153268]
  ForgetNetは歴史的埋め込みを使わないので、タスクのマルコフの性質と一致している。 また、G-ForgetNetを導入し、G-ForgetNetは歴史的埋め込みの選択的統合を可能にするゲーティング機構を使用している。 我々の実験はCLRS-30アルゴリズム推論ベンチマークに基づいて、ForgetNetとG-ForgetNetの両方が既存の手法よりも優れた一般化を実現することを示した。
  論文  参考訳（メタデータ） (2024-03-07T22:35:22Z)
• 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)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• A Planning Ontology to Represent and Exploit Planning Knowledge for Performance Efficiency [6.87593454486392]
  我々は,エージェントを世界の初期状態から望ましい目標状態へ移動させる一連の行動を見つけることを目的として,自動計画の問題を考える。 利用可能なプランナと多様なプランナドメインが多数用意されていると仮定し、適切なプランナを特定し、ドメインのパフォーマンスを向上させるために活用できる不可欠な情報を持っている。
  論文  参考訳（メタデータ） (2023-07-25T14:51:07Z)
• Planning Landmark Based Goal Recognition Revisited: Does Using Initial State Landmarks Make Sense? [9.107782510356989]
  本稿では,計画的ランドマークに基づく目標認識手法において,初期状態の一部であるランドマークを使用するメリットがないことを示す。 実験結果から,目標認識のための初期状態のランドマークを省略することで,目標認識性能が向上することが示された。
  論文  参考訳（メタデータ） (2023-06-27T10:20:28Z)
• Leveraging Planning Landmarks for Hybrid Online Goal Recognition [7.690707525070737]
  本稿では,象徴的な計画的ランドマークに基づくアプローチとデータ駆動型目標認識アプローチを組み合わせた,オンライン目標認識のためのハイブリッド手法を提案する。 提案手法は最先端技術よりも計算時間をはるかに効率よくするが,目標認識性能も向上する。
  論文  参考訳（メタデータ） (2023-01-25T13:21:30Z)
• PlanT: Explainable Planning Transformers via Object-Level Representations [64.93938686101309]
  PlanTは、自動運転のコンテキストにおける計画のための新しいアプローチである。 PlanTは、コンパクトなオブジェクトレベルの入力表現を持つ模倣学習に基づいている。 この結果から,PlanTは幾何学的に距離をおいても,現場で最も関連性の高い物体に焦点を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T17:59:46Z)
• The More the Merrier?! Evaluating the Effect of Landmark Extraction Algorithms on Landmark-Based Goal Recognition [25.6019435583572]
  古典的計画領域を用いた目標認識と計画認識への近年のアプローチは、認識時間と精度の両面から、技術結果の状態を達成している。 このような高速な認識時間を達成するために、これらの手法は効率的だが不完全であり、ドメインや問題を計画するためのランドマークのサブセットだけを抽出するアルゴリズムを使用する。 本稿では,各計画問題に対して,ランドマークの大部分を抽出できる種々のランドマーク抽出アルゴリズムを用いることによる影響と効果について検討する。
  論文  参考訳（メタデータ） (2020-05-06T17:41:19Z)

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。