論文の概要: Graph Learning for Numeric Planning

• arxiv url: http://arxiv.org/abs/2410.24080v1
• Date: Thu, 31 Oct 2024 16:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:02:01.356448
• Title: Graph Learning for Numeric Planning
• Title（参考訳）: 数値計画のためのグラフ学習
• Authors: Dillon Z. Chen, Sylvie Thiébaux,
• Abstract要約: 数値計画課題の解法を学習するための,データ効率と解釈可能な機械学習モデルを提案する。 これには、連続属性と分類属性の両方を持つグラフ用の新しいグラフカーネルを構築することが含まれる。 実験により、グラフカーネルはグラフニューラルネットワークよりもはるかに効率的で一般化され、数値計画が可能であることが示された。
• 参考スコア（独自算出の注目度）: 2.969582361376132
• License:
• Abstract: Graph learning is naturally well suited for use in symbolic, object-centric planning due to its ability to exploit relational structures exhibited in planning domains and to take as input planning instances with arbitrary numbers of objects. Numeric planning is an extension of symbolic planning in which states may now also exhibit numeric variables. In this work, we propose data-efficient and interpretable machine learning models for learning to solve numeric planning tasks. This involves constructing a new graph kernel for graphs with both continuous and categorical attributes, as well as new optimisation methods for learning heuristic functions for numeric planning. Experiments show that our graph kernels are vastly more efficient and generalise better than graph neural networks for numeric planning, and also yield competitive coverage performance compared to domain-independent numeric planners. Code is available at https://github.com/DillonZChen/goose
• Abstract（参考訳）: グラフ学習は、計画領域で示される関係構造を活用でき、任意の数のオブジェクトを持つ入力計画インスタンスとして利用できるため、象徴的でオブジェクト中心の計画での使用には自然に適している。 数値プランニング(英: Numeric planning)は、記号プランニングの拡張であり、州は現在では数値変数も表すことができる。 本研究では,数値計画課題の解法を学習するための,データ効率と解釈可能な機械学習モデルを提案する。 これには、連続属性と分類属性の両方を持つグラフ用の新しいグラフカーネルの構築と、数値計画のためのヒューリスティック関数を学習するための新しい最適化方法が含まれる。 実験により、我々のグラフカーネルは、数値計画のためのグラフニューラルネットワークよりもはるかに効率的で一般化され、ドメインに依存しない数値プランナーよりも競争力のあるカバレッジ性能が得られることが示された。 コードはhttps://github.com/DillonZChen/gooseで入手できる。

関連論文リスト

• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• Learning Adaptive Neighborhoods for Graph Neural Networks [45.94778766867247]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データのエンドツーエンド学習を可能にする。 本稿では,グラフトポロジを構築する新しいエンドツーエンドの微分可能なグラフ生成器を提案する。 私たちのモジュールは、グラフ畳み込み操作を含む既存のパイプラインに簡単に統合できます。
  論文  参考訳（メタデータ） (2023-07-18T08:37:25Z)
• PlanE: Representation Learning over Planar Graphs [9.697671872347131]
  この研究はホップクロフトとタージャンの古典的な平面グラフ同型アルゴリズムにインスパイアされている。 PlanEには、実用的な拡張性を維持しながら、平面グラフ上の完全な不変性を学習できるアーキテクチャが含まれている。
  論文  参考訳（メタデータ） (2023-07-03T17:45:01Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Sequential Manipulation Planning on Scene Graph [90.28117916077073]
  我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。 ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。 次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
  論文  参考訳（メタデータ） (2022-07-10T02:01:33Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Graph Learning: A Survey [38.245120261668816]
  本稿では,グラフ学習の現状について概観する。 グラフ信号処理,行列分解,ランダムウォーク,ディープラーニングなど,既存のグラフ学習手法の4つのカテゴリに特に注目されている。 テキスト,画像,科学,知識グラフ,最適化といった分野におけるグラフ学習アプリケーションについて検討する。
  論文  参考訳（メタデータ） (2021-05-03T09:06:01Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
  グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。 このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
  論文  参考訳（メタデータ） (2020-06-23T21:10:55Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。