論文の概要: Symmetries and Expressive Requirements for Learning General Policies

• arxiv url: http://arxiv.org/abs/2409.15892v1
• Date: Tue, 24 Sep 2024 09:04:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 08:11:26.900404
• Title: Symmetries and Expressive Requirements for Learning General Policies
• Title（参考訳）: 一般政策学習のための対称性と表現的要件
• Authors: Dominik Drexler, Simon Ståhlberg, Blai Bonet, Hector Geffner,
• Abstract要約: 国家の対称性は、計画と一般化計画において重要な役割を果たす。 一般計画の場合、非対称状態の区別も重要である。 一般的なポリシーを学習するための最近のアプローチは、記述論理から派生した状態特徴またはグラフニューラルネットワークを介して学習する。
• 参考スコア（独自算出の注目度）: 14.25697203843354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State symmetries play an important role in planning and generalized planning. In the first case, state symmetries can be used to reduce the size of the search; in the second, to reduce the size of the training set. In the case of general planning, however, it is also critical to distinguish non-symmetric states, i.e., states that represent non-isomorphic relational structures. However, while the language of first-order logic distinguishes non-symmetric states, the languages and architectures used to represent and learn general policies do not. In particular, recent approaches for learning general policies use state features derived from description logics or learned via graph neural networks (GNNs) that are known to be limited by the expressive power of C_2, first-order logic with two variables and counting. In this work, we address the problem of detecting symmetries in planning and generalized planning and use the results to assess the expressive requirements for learning general policies over various planning domains. For this, we map planning states to plain graphs, run off-the-shelf algorithms to determine whether two states are isomorphic with respect to the goal, and run coloring algorithms to determine if C_2 features computed logically or via GNNs distinguish non-isomorphic states. Symmetry detection results in more effective learning, while the failure to detect non-symmetries prevents general policies from being learned at all in certain domains.
• Abstract（参考訳）: 国家の対称性は、計画と一般化計画において重要な役割を果たす。 第1のケースでは、状態対称性を使用して検索のサイズを減らすことができ、第2のケースではトレーニングセットのサイズを減らすことができる。 しかし、一般計画の場合、非対称状態、すなわち非同型関係構造を表す状態の区別も重要である。 しかし、一階述語論理の言語は非対称状態を区別するが、一般的な政策を表現・学習するために使われる言語やアーキテクチャはそうではない。 特に、最近の一般的な政策学習では、2変数の1次論理であるC_2の表現力によって制限されていることが知られている記述論理やグラフニューラルネットワーク(GNN)を介して学んだ状態特徴を用いる。 本研究では,計画・一般化計画における対称性の検出の問題に対処し,様々な計画領域における一般政策学習の表現的要件を評価する。 このために、計画状態を平易なグラフにマップし、目標に対して2つの状態が同型かどうかを決定するためにオフザシェルフアルゴリズムを実行し、色付けアルゴリズムを実行して、C_2の特徴が論理的に計算されたか、GNNを介して非同型状態が識別されるかを決定する。 対称性検出はより効果的な学習をもたらすが、非対称性の検出に失敗すると、特定の領域において一般的なポリシーが全く学習されない。

関連論文リスト

• Lifted Model Construction without Normalisation: A Vectorised Approach to Exploit Symmetries in Factor Graphs [3.1045268505532566]
  パラメトリック係数グラフの形でリフト表現を構築するための現在の最先端アルゴリズムは、交換可能だがスケールの異なる因子間の対称性を見逃している。 本稿では、パラメトリック因子グラフを構築するための最先端カラーパスアルゴリズム(ACP)の一般化を提案する。 提案アルゴリズムは任意の因子のポテンシャルを任意に拡張することができ、元のACPアルゴリズムよりも効率的に対称性を検出できる。
  論文  参考訳（メタデータ） (2024-11-18T16:59:44Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Discrete Morphological Neural Networks [0.0]
  We propose the Discrete Morphological Neural Networks (DMNN) for binary image analysis to represent W-operators。 概念実証として、DMNNを用いて、ノイズのある桁の境界を認識する。
  論文  参考訳（メタデータ） (2023-09-01T17:04:48Z)
• SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration [7.5986411724707095]
  マルチレゾリューション特徴表現の抽出に基づく新しいディープラーニング登録アーキテクチャを提案する。 提案手法は,2つのデータセットに対する最先端の登録精度を実現する。
  論文  参考訳（メタデータ） (2023-03-17T19:00:24Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
  テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。 2つの新しい戦略が我々の手法の必須要素である。
  論文  参考訳（メタデータ） (2022-03-01T11:13:00Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• GENNI: Visualising the Geometry of Equivalences for Neural Network Identifiability [14.31120627384789]
  ニューラルネットワークの対称性を可視化する効率的なアルゴリズムを提案する。 提案手法であるGENNIは,機能的に等価なパラメータを効率的に同定し,その結果の同値クラスの部分空間を可視化する。
  論文  参考訳（メタデータ） (2020-11-14T22:53:13Z)
• A Functional Perspective on Learning Symmetric Functions with Neural Networks [48.80300074254758]
  本研究では,測定値に基づいて定義されたニューラルネットワークの学習と表現について検討する。 正規化の異なる選択の下で近似と一般化境界を確立する。 得られたモデルは効率よく学習でき、入力サイズにまたがる一般化保証を享受できる。
  論文  参考訳（メタデータ） (2020-08-16T16:34:33Z)
• Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
  グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。 ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。 モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
  論文  参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。