論文の概要: Count-based Novelty Exploration in Classical Planning

• arxiv url: http://arxiv.org/abs/2408.13719v1
• Date: Sun, 25 Aug 2024 04:25:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 18:09:49.792438
• Title: Count-based Novelty Exploration in Classical Planning
• Title（参考訳）: 古典的計画におけるカウントベースノベルティ探査
• Authors: Giacomo Rosa, Nir Lipovetzky,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.893124686141782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Count-based exploration methods are widely employed to improve the exploratory behavior of learning agents over sequential decision problems. Meanwhile, Novelty search has achieved success in Classical Planning through recording of the first, but not successive, occurrences of tuples. In order to structure the exploration, however, the number of tuples considered needs to grow exponentially as the search progresses. We propose a new novelty technique, classical count-based novelty, which aims to explore the state space with a constant number of tuples, by leveraging the frequency of each tuple's appearance in a search tree. We then justify the mechanisms through which lower tuple counts lead the search towards novel tuples. We also introduce algorithmic contributions in the form of a trimmed open list that maintains a constant size by pruning nodes with bad novelty values. These techniques are shown to complement existing novelty heuristics when integrated in a classical solver, achieving competitive results in challenging benchmarks from recent International Planning Competitions. Moreover, adapting our solver as the frontend planner in dual configurations that utilize both memory and time thresholds demonstrates a significant increase in instance coverage, surpassing current state-of-the-art solvers.
• Abstract（参考訳）: 数量に基づく探索法は、逐次決定問題よりも学習エージェントの探索行動を改善するために広く用いられている。 一方、ノベルティ・サーチは、最初の、しかし連続しないタプルの発生を記録することによって、古典的計画において成功している。 しかし, 調査を構造化するためには, 調査が進むにつれて, 調査対象のタプルの数が指数関数的に増加する必要がある。 探索木における各タプルの出現頻度を利用して,一定数のタプルで状態空間を探索することを目的とした,新しいノベルティ手法,古典的カウントベースノベルティを提案する。 次に、低いタプル数が新しいタプルへの探索を導くメカニズムを正当化する。 また,未知の値のノードを刈り取ることで,一定のサイズを維持したトリミングオープンリストの形で,アルゴリズムによるコントリビューションも導入する。 これらの技術は、古典的解法に統合された場合、既存の新規なヒューリスティックを補完し、最近の国際計画コンペティションの挑戦的なベンチマークにおいて、競争的な結果を達成することが示されている。 さらに、メモリとタイムしきい値の両方を利用するデュアル構成のフロントエンドプランナとして、私たちのソルバを適応させることで、現在の最先端のソルバを越えながら、インスタンスカバレッジが大幅に向上することを示す。

関連論文リスト

• Efficient Inverted Indexes for Approximate Retrieval over Learned Sparse Representations [8.796275989527054]
  本稿では,学習したスパース埋め込みを高速に検索できる逆インデックスの新たな組織を提案する。 提案手法では,逆リストを幾何学的に結合したブロックに整理し,それぞれに要約ベクトルを備える。 以上の結果から, 地震動は, 最先端の逆インデックスベースソリューションよりも1～2桁高速であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-29T15:49:27Z)
• How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
  各種コーパス尺度における生成的検索手法の実証的研究を行った。 我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。 生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
  論文  参考訳（メタデータ） (2023-05-19T17:33:38Z)
• Decision Diagram-Based Branch-and-Bound with Caching for Dominance and Suboptimality Detection [9.175779296469194]
  本稿では動的プログラミングモデルの構造を利用して探索を高速化する新しい要素を提案する。 鍵となる考え方は、検索中にキャッシュされた拡張しきい値に問い合わせることによって、同じ動的プログラミング状態に対応するノードの繰り返し拡張を防止することである。 このキャッシング機構によって引き起こされるプルーニングは、アルゴリズムによって拡張されたノード数を著しく削減できることを示す実験である。
  論文  参考訳（メタデータ） (2022-11-22T10:18:33Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• CrossBeam: Learning to Search in Bottom-Up Program Synthesis [51.37514793318815]
  ボトムアップ合成のためのハンズオン検索ポリシーを学習するためのニューラルネットワークのトレーニングを提案する。 私たちのアプローチは、CrossBeamと呼ばれ、ニューラルモデルを使用して、以前に探索されたプログラムを新しいプログラムに組み合わせる方法を選択します。 我々はCrossBeamが効率的に検索することを学び、最先端技術と比較してプログラム空間のより小さな部分を探索する。
  論文  参考訳（メタデータ） (2022-03-20T04:41:05Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• 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)
• BR-NS: an Archive-less Approach to Novelty Search [70.13948372218849]
  行動認識に基づく新規性探索(BR-NS)という,新規性推定の代替手法について議論する。 BR-NSはアーカイブを必要とせず、行動空間で定義できるメトリクスを前提にせず、近隣の検索に依存しません。 我々は、その実現可能性とダイナミクス、および時間複雑性の観点からアーカイブベースのnsよりも潜在的に有利な点について洞察を得るために実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T17:31:34Z)
• Learning to Accelerate Heuristic Searching for Large-Scale Maximum Weighted b-Matching Problems in Online Advertising [51.97494906131859]
  バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。 既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。 我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
  論文  参考訳（メタデータ） (2020-05-09T02:48:23Z)

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。