論文の概要: Consolidating LAMA with Best-First Width Search

• arxiv url: http://arxiv.org/abs/2404.17648v1
• Date: Fri, 26 Apr 2024 18:10:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 20:00:20.292025
• Title: Consolidating LAMA with Best-First Width Search
• Title（参考訳）: ベストファースト幅探索によるLAMAの統合
• Authors: Augusto B. Corrêa, Jendrik Seipp,
• Abstract要約: 検索アルゴリズムの重要な決定は、探索とエクスプロイトのバランスを取る方法だ。 古典的な計画では、この点で最も成功したアプローチとして、斬新な探索が生まれている。 アジャイル計画の最先端と見なされているLAMAとBFWSを組み合わせる方法を紹介します。
• 参考スコア（独自算出の注目度）: 10.082768017695704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One key decision for heuristic search algorithms is how to balance exploration and exploitation. In classical planning, novelty search has come out as the most successful approach in this respect. The idea is to favor states that contain previously unseen facts when searching for a plan. This is done by maintaining a record of the tuples of facts observed in previous states. Then the novelty of a state is the size of the smallest previously unseen tuple. The most successful version of novelty search is best-first width search (BFWS), which combines novelty measures with heuristic estimates. An orthogonal approach to balance exploration-exploitation is to use several open-lists. These open-lists are ordered using different heuristic estimates, which diversify the information used in the search. The search algorithm then alternates between these open-lists, trying to exploit these different estimates. This is the approach used by LAMA, a classical planner that, a decade after its release, is still considered state-of-the-art in agile planning. In this paper, we study how to combine LAMA and BFWS. We show that simply adding the strongest open-list used in BFWS to LAMA harms performance. However, we show that combining only parts of each planner leads to a new state-of-the-art agile planner.
• Abstract（参考訳）: ヒューリスティック検索アルゴリズムの重要な決定は、探索とエクスプロイトのバランスを取る方法である。 古典的な計画では、この点で最も成功したアプローチとして、斬新な探索が生まれている。 その考え方は、計画を探す際に、これまで見つからなかった事実を含む州を優先することにある。 これは、以前の州で観測された事実のタプルの記録を維持することによって行われる。 状態の新規性は、これまで目に見えない最小のタプルのサイズである。 ノベルティ探索の最も成功したバージョンはベストファーストワイドサーチ(BFWS)であり、ノベルティ測度とヒューリスティック推定を組み合わせたものである。 探索・探索のバランスを取るための直交的なアプローチは、いくつかのオープンリストを使用することである。 これらのオープンリストは、異なるヒューリスティック推定を用いて順序付けされ、検索で使用される情報を多様化する。 検索アルゴリズムは、これらのオープンリストを交互に切り換えて、これらの異なる推定値を活用する。 これは、古典的なプランナーであるLAMAが、リリースから10年経った今でもアジャイル計画の最先端と見なしているアプローチである。 本稿では,LAMAとBFWSの組合せについて検討する。 BFWSで使われている最強のオープンリストをLAMAに追加するだけでパフォーマンスが損なわれることを示す。 しかしながら、各プランナーの一部だけを組み合わせることで、新しい最先端のアジャイルプランナーが生まれることが示されています。

関連論文リスト

• Operational Advice for Dense and Sparse Retrievers: HNSW, Flat, or Inverted Indexes? [62.57689536630933]
  本稿では,オープンソースのLucene検索ライブラリを用いたBEIRデータセットの実験結果について述べる。 本研究は,高密度かつ疎密なレトリバーの設計空間を理解するための,今日の検索実践者へのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-09-10T12:46:23Z)
• Count-based Novelty Exploration in Classical Planning [5.893124686141782]
  本稿では,一定数の新規性を持つ状態空間を探索することを目的とした,新しい新規性手法,古典的カウントベースノベルティを提案する。 また,ノードによって一定サイズを刈り取ることで,一定サイズを維持したトリミングオープンリストの形で,新規なコントリビューションも導入する。
  論文  参考訳（メタデータ） (2024-08-25T04:25:10Z)
• SLOPE: Search with Learned Optimal Pruning-based Expansion [2.0618817976970103]
  SLOPE(Learned Optimal Pruning-based Expansion)を用いた探索手法を提案する。 ノードの距離を最適経路から学習し、その結果、オープンリストのサイズを小さくする。 これにより、探索は最適な経路に近い領域のみを探索し、メモリと計算コストを削減できる。
  論文  参考訳（メタデータ） (2024-06-07T13:42:15Z)
• Sequential Planning in Large Partially Observable Environments guided by LLMs [0.0]
  大規模状態空間と行動空間の連続的な計画は、探索空間の爆発により、すぐに困難になる。 モンテカルロ木探索のようなヒューリスティックな手法は、大きな状態空間に対して有効であるが、アクション空間が大きければ困難である。 本稿では,状態空間探索とクエリを併用したハイブリッドエージェント"neoplanner"を提案する。
  論文  参考訳（メタデータ） (2023-12-12T15:36:59Z)
• Fixed-Budget Real-Valued Combinatorial Pure Exploration of Multi-Armed Bandit [65.268245109828]
  このアルゴリズムは,アクションクラスのサイズが指数関数的に大きい場合でも,最良のアクションを識別できる最初のアルゴリズムである。 CSAアルゴリズムの誤差確率の上限は指数の対数係数までの下界と一致することを示す。 提案手法を従来手法と実験的に比較し,アルゴリズムの性能が向上したことを示す。
  論文  参考訳（メタデータ） (2023-10-24T09:47:32Z)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
  自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。 ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。 ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
  論文  参考訳（メタデータ） (2022-06-01T13:46:25Z)
• A Metaheuristic Algorithm for Large Maximum Weight Independent Set Problems [58.348679046591265]
  ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。 このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。 我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-28T21:34:16Z)
• Approximate Novelty Search [7.57024681220677]
  幅に基づく探索アルゴリズムは、好ましく定義された新規性の尺度に従って状態を優先順位付けすることで計画を求める。 新規性および幅に基づく探索の近似を得るための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-17T09:21:48Z)
• Best-First Beam Search [78.71330480725668]
  本研究では,ビームサーチの標準実装を10倍高速に実現可能であることを示す。 ダウンストリーム性能の面でも同様に有益な探索バイアスを有するBest-First Beam Searchのメモリ再生版を提案する。
  論文  参考訳（メタデータ） (2020-07-08T05:56:01Z)

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。