論文の概要: Graph Learning for Planning: The Story Thus Far and Open Challenges

• arxiv url: http://arxiv.org/abs/2412.02136v1
• Date: Tue, 03 Dec 2024 03:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:46:19.792222
• Title: Graph Learning for Planning: The Story Thus Far and Open Challenges
• Title（参考訳）: 計画のためのグラフ学習: これまでの物語とオープンな課題
• Authors: Dillon Z. Chen, Mingyu Hao, Sylvie Thiébaux, Felipe Trevizan,
• Abstract要約: これまでの計画におけるグラフ学習の活用について,学習と計画性能に対する理論的および経験的効果について検討した。 我々の研究は、より大規模な計画タスクにスケールアップするために、小さな計画タスクからドメイン知識を学ぶGOOSEフレームワークに蓄積されます。
• 参考スコア（独自算出の注目度）: 2.4186604326116874
• License:
• Abstract: Graph learning is naturally well suited for use in planning due to its ability to exploit relational structures exhibited in planning domains and to take as input planning instances with arbitrary number of objects. In this paper, we study the usage of graph learning for planning thus far by studying the theoretical and empirical effects on learning and planning performance of (1) graph representations of planning tasks, (2) graph learning architectures, and (3) optimisation formulations for learning. Our studies accumulate in the GOOSE framework which learns domain knowledge from small planning tasks in order to scale up to much larger planning tasks. In this paper, we also highlight and propose the 5 open challenges in the general Learning for Planning field that we believe need to be addressed for advancing the state-of-the-art.
• Abstract（参考訳）: グラフ学習は、計画ドメインで示されるリレーショナル構造を活用でき、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、計画での使用に適している。 本稿では,(1)計画課題のグラフ表現,(2)グラフ学習アーキテクチャ,(3)学習のための最適化定式化の学習と計画性能に対する理論的および経験的効果について検討し,これまでの計画におけるグラフ学習の利用について検討する。 我々の研究は、より大規模な計画タスクにスケールアップするために、小さな計画タスクからドメイン知識を学ぶGOOSEフレームワークに蓄積されます。 本稿では,現状の進展に対処する必要があると考える,総合的な計画分野における5つのオープンな課題を強調し,提案する。

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)
• Introduction to AI Planning [0.0]
  注記は州モデルの導入から始まり、古典的な計画の探求に移る。 最も広範なセクションは階層的タスクネットワーク(HTN)計画に特化している。 講演ノートは、計画ドメイン定義(PDDL)言語に関するボーナス章で終わる。
  論文  参考訳（メタデータ） (2024-12-16T10:38:04Z)
• 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)
• 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)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• A Planning Ontology to Represent and Exploit Planning Knowledge for Performance Efficiency [6.87593454486392]
  我々は,エージェントを世界の初期状態から望ましい目標状態へ移動させる一連の行動を見つけることを目的として,自動計画の問題を考える。 利用可能なプランナと多様なプランナドメインが多数用意されていると仮定し、適切なプランナを特定し、ドメインのパフォーマンスを向上させるために活用できる不可欠な情報を持っている。
  論文  参考訳（メタデータ） (2023-07-25T14:51:07Z)
• Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning [57.91323079939641]
  我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。 最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。 第2の段階は、都市機能投影を形成するための計画要件を理解することである。 第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
  論文  参考訳（メタデータ） (2022-12-01T23:06:41Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Robust Hierarchical Planning with Policy Delegation [6.1678491628787455]
  本稿では,デリゲートの原理に基づく階層計画のための新しいフレームワークとアルゴリズムを提案する。 このプランニング手法は、様々な領域における古典的なプランニングと強化学習技術に対して、実験的に非常に競争力があることを示す。
  論文  参考訳（メタデータ） (2020-10-25T04:36:20Z)
• Planning with Learned Object Importance in Large Problem Instances using Graph Neural Networks [28.488201307961624]
  現実の計画問題は、数百から数千ものオブジェクトを巻き込むことが多い。 単一推論パスにおけるオブジェクトの重要性を予測するためのグラフニューラルネットワークアーキテクチャを提案する。 提案手法では,プランナと遷移モデルをブラックボックスとして扱い,既製のプランナで使用することができる。
  論文  参考訳（メタデータ） (2020-09-11T18:55:08Z)
• Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
  Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。 Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。 1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-07T17:52:23Z)

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。