論文の概要: Beyond Static Assumptions: the Predictive Justified Perspective Model for Epistemic Planning

• arxiv url: http://arxiv.org/abs/2412.07941v1
• Date: Tue, 10 Dec 2024 22:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:02:42.787315
• Title: Beyond Static Assumptions: the Predictive Justified Perspective Model for Epistemic Planning
• Title（参考訳）: 静的推定を超えて:疫学計画の予測的正当性モデル
• Authors: Weijia Li, Guang Hu, Yangmengfei Xu,
• Abstract要約: Justified Perspective(JP)モデルは、疫学計画(EP)問題を解決するための最先端のアプローチである。 既存のEPメソッドはすべて、古典的な計画から静的環境の仮定を継承する。 この制限は、マルチエージェント設定のロボット工学のような分野におけるEPの適用を妨げる。
• 参考スコア（独自算出の注目度）: 6.979056988660219
• License:
• Abstract: Epistemic Planning (EP) is an important research area dedicated to reasoning about the knowledge and beliefs of agents in multi-agent cooperative or adversarial settings. The Justified Perspective (JP) model is the state-of-the-art approach to solving EP problems with efficiency and expressiveness. However, all existing EP methods inherit the static environment assumption from classical planning. This limitation hinders the application of EP in fields such as robotics with multi-agent settings, where the environment contains changing variables. In this paper, we propose an extension of the JP model, namely, the Predictive Justified Perspective (PJP) model, to remove this assumption. Instead of assuming that beliefs remain unchanged since the last observation, the PJP model uses all past observations to form predictions about the changing variables. The definition of the prediction function with examples is provided, and it is demonstrated that it can work with arbitrary nesting. We then implemented the PJP model in several well-known domains and compared it with the JP model in the experiments. The results indicated that the PJP model performs exceptionally well across various domains, demonstrating its potential in improving EP applications in robotics.
• Abstract（参考訳）: 疫学計画(EP: Epistemic Planning)は、エージェントの知識と信念を多エージェントの協調的あるいは敵対的な環境で推論するための重要な研究分野である。 Justified Perspective(JP)モデルは、EP問題を効率と表現力で解くための最先端のアプローチである。 しかし、既存のEPメソッドはすべて、古典的な計画から静的環境の仮定を継承している。 この制限は、環境が変化変数を含むマルチエージェント設定のロボット工学のような分野におけるEPの適用を妨げる。 本稿では,JPモデルの拡張,すなわち予測的正当性パースペクティブ(PJP)モデルを提案する。 PJPモデルは、前回の観測以来、信念が変わらないと仮定する代わりに、過去のすべての観測を使って変化する変数に関する予測を形成する。 例による予測関数の定義が提供され、任意のネストで動作できることが示されている。 その後、いくつかのよく知られたドメインでPJPモデルを実装し、実験でJPモデルと比較した。 その結果、PJPモデルは様々な領域で非常によく機能し、ロボット工学におけるEPアプリケーションの改善の可能性を示した。

関連論文リスト

• Modeling Pedestrian Intrinsic Uncertainty for Multimodal Stochastic Trajectory Prediction via Energy Plan Denoising [25.763865805257634]
  軌道予測のためのエネルギー計画デノイング(EPD)モデルを提案する。 EPDは反復的なステップの必要性を減らし、効率を向上する。 2つの公開データセットでEPDを検証することで、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2024-05-12T05:11:23Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• iPDP: On Partial Dependence Plots in Dynamic Modeling Scenarios [7.772337176239137]
  説明可能な人工知能(XAI)では、よく確立された部分依存プロット(PDP)のようなポストホックな説明技法が使用される。 非定常学習環境における時間依存的特徴効果を抽出するために,PDP上に拡張された新しいモデルに依存しないXAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-13T13:56:56Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• CAR-DESPOT: Causally-Informed Online POMDP Planning for Robots in Confounded Environments [5.979296454783688]
  正確で堅牢な行動予測を行う上での大きな課題は、コンファウンディングの問題である。 部分的に観測可能なマルコフ決定プロセス(POMDP)は、これらと部分的に観測可能な意思決定問題をモデル化するための広く使われているフレームワークである。 本稿では,不測な共同設立変数による誤りを解消するために,「常時正規化決定された部分観測木」(AR-DESPOT)の因果的インフォームド拡張を提案する。
  論文  参考訳（メタデータ） (2023-04-13T22:32:21Z)
• On learning agent-based models from data [22.387666772159974]
  エージェントベースモデル(ABM)は、マイクロレベルの仮定から複雑なシステムの進化を研究するためにいくつかの分野で用いられている。 データからABMの潜伏マイクロ変数を学習するためのプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-05-10T17:08:26Z)
• Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in Partially Observed Markov Decision Processes [65.91730154730905]
  医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。 ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。 我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
  論文  参考訳（メタデータ） (2021-10-28T17:46:14Z)
• Harnessing Perceptual Adversarial Patches for Crowd Counting [92.79051296850405]
  群衆のカウントは、物理的な世界の敵の例に弱い。 本稿では,モデル間での知覚的特徴の共有を学習するためのPAP(Perceptual Adrial Patch)生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:51:39Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。