Fugu-MT 論文翻訳(概要): Temporal Numeric Planning with Patterns

論文の概要: Temporal Numeric Planning with Patterns

arxiv url: http://arxiv.org/abs/2412.09101v2
Date: Wed, 18 Dec 2024 12:31:58 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-19 13:25:11.666448
Title: Temporal Numeric Planning with Patterns
Title（参考訳）: パターンを用いた時間的数値計画
Authors: Matteo Cardellini, Enrico Giunchiglia,
Abstract要約: PDDL2.1レベル3で表される時間数値計画問題$Pi$を考える。モデルが$Pi$の有効なプランに対応する$(i)$と$(ii)$は、最近提案された数値から時間ケースへのパターンアプローチによるプランニングの拡張を示す。
参考スコア（独自算出の注目度）: 0.4972323953932129
License:
Abstract: We consider temporal numeric planning problems $\Pi$ expressed in PDDL2.1 level 3, and show how to produce SMT formulas $(i)$ whose models correspond to valid plans of $\Pi$, and $(ii)$ that extend the recently proposed planning with patterns approach from the numeric to the temporal case. We prove the correctness and completeness of the approach and show that it performs very well on 10 domains with required concurrency.
Abstract（参考訳）: PDDL2.1レベル3で表される時間数値計画問題$\Pi$を考え、SMT式を$にする方法を示す。 (i)$のモデルが$\Pi$と$の有効なプランに対応する (ii)最近提案された計画のパターンアプローチを数値から時間ケースに拡張する$。このアプローチの正しさと完全性を証明し、並列性を必要とする10のドメインで非常によく動作することを示す。

関連論文リスト

Symbolic Numeric Planning with Patterns [1.450144681559089]
我々は,有界$n$を持つ$Pi$のプランを,最先端のロールアップと緩和された$exists$エンコーディングよりも少ない変数と/または節の式として見つけるという問題をエンコードする。我々は,今年の国際計画コンペティションにおいて,プランナーのPattyが極めて優れたパフォーマンスを示した。
論文参考訳（メタデータ） (2023-12-15T17:20:25Z)
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)
Describe, Explain, Plan and Select: Interactive Planning with Large Language Models Enables Open-World Multi-Task Agents [26.78244595330595]
「$underlineD$escribe」は、Large Language Models(LLMs)に基づく対話型計画手法である。 DEPSは、計画実行プロセスの$textitdescription$を統合することで、初期LLM生成の$textitplan$のエラー修正を容易にする。実験は、70以上のMinecraftタスクを確実に達成できる最初のゼロショットマルチタスクエージェントのマイルストーンとなる。
論文参考訳（メタデータ） (2023-02-03T06:06:27Z)
Near-Optimal Regret Bounds for Multi-batch Reinforcement Learning [54.806166861456035]
本研究では,有限水平マルコフ決定過程(MDP)によってモデル化されたエピソディック強化学習(RL)問題をバッチ数に制約を加えて検討する。我々は,$tildeO(sqrtSAH3Kln (1/delta))$tildeO(cdot)をほぼ最適に後悔するアルゴリズムを設計し,$(S,A,H,K)$の対数項を$K$で隠蔽する。技術的貢献は2つある: 1) 探索のためのほぼ最適設計スキーム
論文参考訳（メタデータ） (2022-10-15T09:22:22Z)
Reward-Mixing MDPs with a Few Latent Contexts are Learnable [75.17357040707347]
報酬混合マルコフ決定過程(RMMDP)におけるエピソード強化学習の検討我々のゴールは、そのようなモデルにおける時間段階の累積報酬をほぼ最大化する、ほぼ最適に近いポリシーを学ぶことである。
論文参考訳（メタデータ） (2022-10-05T22:52:00Z)
TensorPlan and the Few Actions Lower Bound for Planning in MDPs under Linear Realizability of Optimal Value Functions [0.0]
我々は,オンラインプランニングにおけるミニマックスクエリの複雑さを,固定水平決定プロセスにおける生成モデルを用いて検討する。 A=Omega(min(d1/4,H1/2)) が指数的に大きい下界を持つことを示す。
論文参考訳（メタデータ） (2021-10-05T17:42:46Z)
On Exploiting Hitting Sets for Model Reconciliation [53.81101846598925]
ヒューマン・アウェア・プランニングにおいて、プランニング・エージェントは、その計画がなぜ最適なのかを人間に説明する必要があるかもしれない。この手法はモデル和解と呼ばれ、エージェントはモデルと人間のモデルの違いを調和させようとする。我々は,計画の領域を超えて拡張されたモデル和解のための論理ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2020-12-16T21:25:53Z)
Nearly Minimax Optimal Reward-free Reinforcement Learning [88.75843804630772]
本稿では、特にバッチ強化学習に適した報酬不要強化学習フレームワークと、複数の報酬関数に対するポリシーを必要とするシナリオについて検討する。 textbfStaged textbfSampling + textbfTruncated textbfPlanning (algoname) という新しい効率的なアルゴリズムを提供しています。
論文参考訳（メタデータ） (2020-10-12T17:51:19Z)
Improving Robustness and Generality of NLP Models Using Disentangled Representations [62.08794500431367]
スーパービジョンニューラルネットワークはまず入力$x$を単一の表現$z$にマップし、次に出力ラベル$y$にマッピングする。本研究では,非交叉表現学習の観点から,NLPモデルの堅牢性と汎用性を改善する手法を提案する。提案した基準でトレーニングしたモデルは、広範囲の教師付き学習タスクにおいて、より堅牢性とドメイン適応性を向上することを示す。
論文参考訳（メタデータ） (2020-09-21T02:48:46Z)

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。