論文の概要: HTN Plan Repair Algorithms Compared: Strengths and Weaknesses of Different Methods

• arxiv url: http://arxiv.org/abs/2504.16209v1
• Date: Tue, 22 Apr 2025 18:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.898606
• Title: HTN Plan Repair Algorithms Compared: Strengths and Weaknesses of Different Methods
• Title（参考訳）: HTN計画修正アルゴリズムの比較:異なる方法の強度と弱さ
• Authors: Paul Zaidins, Robert P. Goldman, Ugur Kuter, Dana Nau, Mark Roberts,
• Abstract要約: 我々は、SHOPFixer、IPyHOPPER、Rewriteの3つの階層的な計画修復アルゴリズムを比較した。 理論的結果は,3つのアルゴリズムが計画修復問題の3つの異なる定義に対応していることを示している。 理論的結果に基づいて,一連のベンチマーク計画問題において,アルゴリズムを実証的に評価する。
• 参考スコア（独自算出の注目度）: 0.912259353451051
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper provides theoretical and empirical comparisons of three recent hierarchical plan repair algorithms: SHOPFixer, IPyHOPPER, and Rewrite. Our theoretical results show that the three algorithms correspond to three different definitions of the plan repair problem, leading to differences in the algorithms' search spaces, the repair problems they can solve, and the kinds of repairs they can make. Understanding these distinctions is important when choosing a repair method for any given application. Building on the theoretical results, we evaluate the algorithms empirically in a series of benchmark planning problems. Our empirical results provide more detailed insight into the runtime repair performance of these systems and the coverage of the repair problems solved, based on algorithmic properties such as replanning, chronological backtracking, and backjumping over plan trees.
• Abstract（参考訳）: 本稿では,最近の階層型計画修復アルゴリズムであるSHOPFixer, IPyHOPPER, Rewriteの理論的および実証的な比較を行う。 理論的には, 3つのアルゴリズムは, 計画修復問題の3つの異なる定義に対応しており, アルゴリズムの探索空間, 解決可能な修復問題, 補修の種類の違いが生じる。 これらの区別を理解することは、任意のアプリケーションに対する修理方法を選択する際に重要である。 理論的結果に基づいて,一連のベンチマーク計画問題において,アルゴリズムを実証的に評価する。 実験結果から,これらのシステムの実行時修復性能と,リプランニングや時間的バックトラック,プランツリーのバックジャンピングといったアルゴリズム的特性に基づく補修問題の範囲について,より詳細な知見が得られた。

関連論文リスト

• On Sequential Fault-Intolerant Process Planning [60.66853798340345]
  我々は、逐次的フォールトトレラントプロセス計画(SFIPP)と呼ばれる計画問題を提案し、研究する。 SFIPPは、全ての段階が成功する場合にのみ計画が成功すると判断される多くの連続した多段階決定問題に共通する報酬構造をキャプチャする。 私たちは、異なるアクションを選択して、それぞれのステージで成功の確率を未知にする必要がある設定のために、確実に厳密なオンラインアルゴリズムを設計します。
  論文  参考訳（メタデータ） (2025-02-07T15:20:35Z)
• Time-Series Forecasting in Smart Manufacturing Systems: An Experimental Evaluation of the State-of-the-art Algorithms [0.0]
  TSFは製造を含む様々な領域で成長している。 本研究の目的は、13の製造データセット上でのSoTA TSFアルゴリズムの評価により、このギャップを埋めることである。
  論文  参考訳（メタデータ） (2024-11-26T15:10:31Z)
• Learning Task Decomposition to Assist Humans in Competitive Programming [90.4846613669734]
  タスク分解学習のための新しい目的,いわゆる値(AssistV)を導入する。 我々は、さまざまな分解されたソリューションに対して、人間の修理経験のデータセットを収集する。 人間の177時間以内の研究では、非専門家が33.3%の問題を解き、それらを3.3倍スピードアップさせ、無支援の専門家にマッチさせる権限を与える。
  論文  参考訳（メタデータ） (2024-06-07T03:27:51Z)
• Efficient and high-performance routing of lattice-surgery paths on three-dimensional lattice [0.196629787330046]
  格子探索命令に対する高速かつ高性能なスケジューリングアルゴリズムを提案する。 本稿では,量子位相推定アルゴリズムから生成されたベンチマークプログラムの実行時間を2.7倍に削減する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-29T01:28:42Z)
• Querying Inconsistent Prioritized Data with ORBITS: Algorithms, Implementation, and Experiments [12.952483242045366]
  優先順位付けされた知識ベース上で不整合耐性問合せ応答を行うための実用的なアルゴリズムについて検討する。 最適補修の2つの概念に基づく3つのよく知られた意味論(AR, IAR, 勇敢)を考える(パレート, 完成)。
  論文  参考訳（メタデータ） (2022-02-16T10:44:39Z)
• RANK-NOSH: Efficient Predictor-Based Architecture Search via Non-Uniform Successive Halving [74.61723678821049]
  予算の浪費を回避するため,早期に性能の低いアーキテクチャのトレーニングを終了する階層的スケジューリングアルゴリズムであるNOn-uniform Successive Halving (NOSH)を提案する。 予測器に基づくアーキテクチャ探索をペア比較でランク付けする学習として定式化する。 その結果、RANK-NOSHは検索予算を5倍に削減し、様々な空間やデータセットにおける従来の最先端予測手法よりも、競争力やパフォーマンスの向上を実現した。
  論文  参考訳（メタデータ） (2021-08-18T07:45:21Z)
• Identifying Co-Adaptation of Algorithmic and Implementational Innovations in Deep Reinforcement Learning: A Taxonomy and Case Study of Inference-based Algorithms [15.338931971492288]
  我々は、アルゴリズムの革新と実装決定を分離するために、一連の推論に基づくアクター批判アルゴリズムに焦点を当てる。 実装の詳細がアルゴリズムの選択に一致すると、パフォーマンスが大幅に低下します。 結果は、どの実装の詳細がアルゴリズムと共適応され、共進化しているかを示す。
  論文  参考訳（メタデータ） (2021-03-31T17:55:20Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Explainable Online Validation of Machine Learning Models for Practical Applications [11.464167185724015]
  本稿では,機械学習アルゴリズムの結果を検証することを目的とした回帰と分類の再構成を提案する。 提案手法の評価には3つの公開データセットを使用し、3つの分類と2つの回帰問題を評価した。 条件付き確率に基づく提案アルゴリズムもオンラインで動作可能であり、kNNアルゴリズムと比較してほんの少しのメモリしか必要としない。
  論文  参考訳（メタデータ） (2020-10-02T07:38:31Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)

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。