論文の概要: PDDLFuse: A Tool for Generating Diverse Planning Domains

• arxiv url: http://arxiv.org/abs/2411.19886v1
• Date: Fri, 29 Nov 2024 17:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:20:39.112301
• Title: PDDLFuse: A Tool for Generating Diverse Planning Domains
• Title（参考訳）: PDDLFuse: クロスプランニングドメインを生成するツール
• Authors: Vedant Khandelwal, Amit Sheth, Forest Agostinelli,
• Abstract要約: PDDLFuseは、新しいプランナーの検証や基礎的な計画モデルのテストに使用できる、新しい多様なプランニングドメインを生成するように設計されている。 我々は,生成するドメインの難易度を調整するために,ドメインジェネレータパラメータを調整する手法を開発した。 最初のテストでは、PDDLFuseは複雑で多様なドメインを効率的に生成し、従来のドメイン生成方法よりも大幅に進歩したことを示している。
• 参考スコア（独自算出の注目度）: 12.990207889359402
• License:
• Abstract: Various real-world challenges require planning algorithms that can adapt to a broad range of domains. Traditionally, the creation of planning domains has relied heavily on human implementation, which limits the scale and diversity of available domains. While recent advancements have leveraged generative AI technologies such as large language models (LLMs) for domain creation, these efforts have predominantly focused on translating existing domains from natural language descriptions rather than generating novel ones. In contrast, the concept of domain randomization, which has been highly effective in reinforcement learning, enhances performance and generalizability by training on a diverse array of randomized new domains. Inspired by this success, our tool, PDDLFuse, aims to bridge this gap in Planning Domain Definition Language (PDDL). PDDLFuse is designed to generate new, diverse planning domains that can be used to validate new planners or test foundational planning models. We have developed methods to adjust the domain generators parameters to modulate the difficulty of the domains it generates. This adaptability is crucial as existing domain-independent planners often struggle with more complex problems. Initial tests indicate that PDDLFuse efficiently creates intricate and varied domains, representing a significant advancement over traditional domain generation methods and making a contribution towards planning research.
• Abstract（参考訳）: 様々な現実世界の課題は、幅広い領域に適応可能な計画アルゴリズムを必要とする。 伝統的に、プランニングドメインの作成は、利用可能なドメインの規模と多様性を制限する人間の実装に大きく依存している。 近年の進歩は、大規模言語モデル(LLM)のような生成AI技術をドメイン生成に活用しているが、これらの取り組みは、新しいドメインを生成するのではなく、既存のドメインを自然言語記述から翻訳することに重点を置いている。 対照的に、強化学習において非常に効果的なドメインランダム化の概念は、多種多様なランダム化された新しいドメインのトレーニングにより、性能と一般化性を高める。 この成功に触発されて、私たちのツールであるPDLFuseは、計画ドメイン定義言語(PDDL)におけるこのギャップを埋めることを目的としています。 PDDLFuseは、新しいプランナーの検証や基礎的な計画モデルのテストに使用できる、新しい多様なプランニングドメインを生成するように設計されている。 我々は,生成するドメインの難易度を調整するために,ドメインジェネレータパラメータを調整する手法を開発した。 この適応性は、既存のドメインに依存しないプランナーがより複雑な問題に苦しむために重要である。 最初のテストでは、PDDLFuseは複雑で多様なドメインを効率的に生成し、従来のドメイン生成手法よりも大幅に進歩し、計画研究に貢献することを示している。

関連論文リスト

• Schema Augmentation for Zero-Shot Domain Adaptation in Dialogue State Tracking [16.67185296899117]
  ゼロショットドメイン適応のための現在の大規模言語モデルアプローチは、ターゲットドメインに関連する知識の導入を促すことに依存している。 本研究では,言語モデルのゼロショット領域適応を微調整により改善する新しいデータ拡張手法であるAugmentationを考案する。 MultiWOZ と SpokenWOZ の実験により,提案手法はベースラインよりも大幅に改善された。
  論文  参考訳（メタデータ） (2024-10-31T18:57:59Z)
• DomainVerse: A Benchmark Towards Real-World Distribution Shifts For Tuning-Free Adaptive Domain Generalization [27.099706316752254]
  我々はAdaptive Domain Generalization (ADG)のための新しいデータセットDomainVerseを確立する。 DomainVerseは、導入した階層的なドメインシフトの定義に相応しく、390のきめ細かい現実的なドメインから約0.5万の画像で構成されている。 チューニング不要適応型ドメイン一般化のためのDomain CLIPとDomain++ CLIPという2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T07:10:25Z)
• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• DEJA VU: Continual Model Generalization For Unseen Domains [38.700426892171336]
  現実世界のアプリケーションでは、ディープラーニングモデルは、ターゲットデータ分布が時間とともに継続的に変化する非定常環境で実行されることが多い。 本稿では,モデルのターゲットドメイン一般化(TDG)能力の向上に重点を置くフレームワークであるRaTPを提案する。また,特定のドメインでのトレーニング直後の効果的なターゲットドメイン適応(TDA)能力と,過去のドメインでの緩和(FA)能力の放棄を実現する。 RaTPは、Continuous DA、Source-free DA、Test-Time/Online DA、Single DG、Multiple DG、Unified DA&DGをTDGで上回り、同等のTDAを達成する。
  論文  参考訳（メタデータ） (2023-01-25T05:56:53Z)
• DILBERT: Customized Pre-Training for Domain Adaptation withCategory Shift, with an Application to Aspect Extraction [25.075552473110676]
  事前訓練手順に対する一般的なアプローチは、いくつかのケースでは自然に準最適である。 本稿では,この課題に対処することを目的としたBERTの微調整手法を提案する。 我々は、このスキームをDILBERT: Domain Invariant Learning with BERTと命名し、教師なしドメイン適応設定におけるアスペクト抽出のためにカスタマイズする。
  論文  参考訳（メタデータ） (2021-09-01T18:49:44Z)
• Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification [57.92800886719651]
  近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。 MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。 本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:29:27Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Unsupervised Domain Adaptation with Progressive Domain Augmentation [34.887690018011675]
  本稿では,プログレッシブドメイン拡張に基づく新規な教師なしドメイン適応手法を提案する。 提案手法は、仮想中間ドメインをドメインを介して生成し、ソースドメインを徐々に拡張し、ソースターゲット領域の分岐をブリッジする。 本研究では,複数の領域適応タスクについて実験を行い,提案手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2020-04-03T18:45:39Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。