論文の概要: WLPlan: Relational Features for Symbolic Planning

• arxiv url: http://arxiv.org/abs/2411.00577v1
• Date: Fri, 01 Nov 2024 13:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:47:46.185023
• Title: WLPlan: Relational Features for Symbolic Planning
• Title（参考訳）: WLPlan:シンボリックプランニングのリレーショナル特徴
• Authors: Dillon Z. Chen,
• Abstract要約: WLPlanは、計画タスクのリレーショナル機能を自動的に生成する、最近の有望な作業を実装している。 WLPlanは、計画タスクをグラフに変換し、計画グラフをグラフカーネルを介して機能ベクタに埋め込む機能を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Scalable learning for planning research generally involves juggling between different programming languages for handling learning and planning modules effectively. Interpreted languages such as Python are commonly used for learning routines due to their ease of use and the abundance of highly maintained learning libraries they exhibit, while compiled languages such as C++ are used for planning routines due to their optimised resource usage. Motivated by the need for tools for developing scalable learning planners, we introduce WLPlan, a C++ package with Python bindings which implements recent promising work for automatically generating relational features of planning tasks. Such features can be used for any downstream routine, such as learning domain control knowledge or probing and understanding planning tasks. More specifically, WLPlan provides functionality for (1) transforming planning tasks into graphs, and (2) embedding planning graphs into feature vectors via graph kernels. The source code and instructions for the installation and usage of WLPlan are available at tinyurl.com/42kymswc
• Abstract（参考訳）: 計画研究のためのスケーラブルな学習は一般的に、学習と計画モジュールを効果的に扱うために、異なるプログラミング言語をジャグリングする。 Pythonのような解釈言語は、使いやすさや高度に保守された学習ライブラリの多さから、ルーチンの学習によく使用されるが、C++のようなコンパイル言語は、最適化されたリソース使用のためにルーチンの計画に使用される。 スケーラブルな学習プランナを開発するツールの必要性から,Pythonバインディングを備えたC++パッケージであるWLPlanを紹介した。 このような機能は、ドメイン制御の知識を学習したり、計画タスクの探索や理解など、ダウンストリームルーチンに使用することができる。 より具体的には、WLPlanは(1)計画タスクをグラフに変換し、(2)計画グラフをグラフカーネルを介して機能ベクトルに埋め込む機能を提供します。 WLPlanのインストールと使用のソースコードと指示は littleurl.com/42kymswc で入手できる。

関連論文リスト

• Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
  大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。 本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。 モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
  論文  参考訳（メタデータ） (2025-02-20T13:47:51Z)
• Multi-Modal Grounded Planning and Efficient Replanning For Learning Embodied Agents with A Few Examples [17.372378259072992]
  本研究では,FLARE(Few-shot Language with Environmental Adaptive Replanning Embodied Agent)を提案する。 また,エージェントからの視覚的手がかりを用いて誤りを修正することを提案する。 提案手法では,視覚的手がかりによっていくつかの言語ペアを使用でき,最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2024-12-23T05:20:01Z)
• Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
  大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。 近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。 完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
  論文  参考訳（メタデータ） (2024-11-21T04:23:17Z)
• Graph Learning for Numeric Planning [2.969582361376132]
  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。
  論文  参考訳（メタデータ） (2024-10-31T16:16:51Z)
• Deep Fast Machine Learning Utils: A Python Library for Streamlined Machine Learning Prototyping [0.0]
  Deep Fast Machine Learning Utils (DFMLU)ライブラリは、機械学習プロセスのアスペクトを自動化および拡張するために設計されたツールを提供する。 DFMLUはモデル開発とデータ処理をサポートする機能を提供します。 この原稿はDFMLUの機能の概要を示し、各ツールにPythonの例を提供している。
  論文  参考訳（メタデータ） (2024-09-14T21:39:17Z)
• 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 planning representations with natural language guidance [90.24449752926866]
  本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。 Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
  論文  参考訳（メタデータ） (2023-12-13T23:35:31Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• PyRelationAL: a python library for active learning research and development [1.0061110876649197]
  アクティブラーニング(英: Active Learning, AL)は、反復的かつ経済的にデータを取得する手法の開発に焦点を当てたMLのサブフィールドである。 本稿では,AL研究のためのオープンソースライブラリであるPyRelationALを紹介する。 プールベースのアクティブラーニング戦略を構成するための2段階の設計方法論をベースとしたモジュラーツールキットについて述べる。
  論文  参考訳（メタデータ） (2022-05-23T08:21:21Z)
• Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
  LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。 最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
  論文  参考訳（メタデータ） (2021-06-18T15:08:47Z)

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。