Fugu-MT 論文翻訳(概要): Leveraging Action Relational Structures for Integrated Learning and Planning

論文の概要: Leveraging Action Relational Structures for Integrated Learning and Planning

arxiv url: http://arxiv.org/abs/2504.20318v1
Date: Tue, 29 Apr 2025 00:10:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.697727
Title: Leveraging Action Relational Structures for Integrated Learning and Planning
Title（参考訳）: 統合学習と計画のための行動関係構造の導入
Authors: Ryan Xiao Wang, Felipe Trevizan,
Abstract要約: 古典計画のための新しい検索空間である部分空間探索を導入する。部分空間探索のガイドとして,状態内の動作の集合を評価するアクションセットを導入する。新しいプランナーであるLazyLiftedは、より優れた統合された検索と学習を活用し、ITC 2023ベンチマークによる最先端のMLよりも優れています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in planning have explored using learning methods to help planning. However, little attention has been given to adapting search algorithms to work better with learning systems. In this paper, we introduce partial-space search, a new search space for classical planning that leverages the relational structure of actions given by PDDL action schemas -- a structure overlooked by traditional planning approaches. Partial-space search provides a more granular view of the search space and allows earlier pruning of poor actions compared to state-space search. To guide partial-space search, we introduce action set heuristics that evaluate sets of actions in a state. We describe how to automatically convert existing heuristics into action set heuristics. We also train action set heuristics from scratch using large training datasets from partial-space search. Our new planner, LazyLifted, exploits our better integrated search and learning heuristics and outperforms the state-of-the-art ML-based heuristic on IPC 2023 learning track (LT) benchmarks. We also show the efficiency of LazyLifted on high-branching factor tasks and show that it surpasses LAMA in the combined IPC 2023 LT and high-branching factor benchmarks.
Abstract（参考訳）: 計画の最近の進歩は、計画を支援するための学習方法を用いて検討されている。しかし,検索アルゴリズムを学習システムに適応させるには,ほとんど注意が払われていない。本稿では、PDDLアクションスキーマによって与えられるアクションのリレーショナル構造を利用する古典的計画のための新しい検索空間である部分空間探索を紹介する。部分空間探索は、検索空間のよりきめ細かいビューを提供し、状態空間探索と比較して、粗悪なアクションを早期に刈り取ることができる。部分空間探索を導くために,状態内の行動の集合を評価する行動集合ヒューリスティックスを導入する。既存のヒューリスティックをアクションセットヒューリスティックに変換する方法について述べる。また、部分空間探索による大規模なトレーニングデータセットを用いて、スクラッチからアクションセットヒューリスティックを訓練する。我々の新しいプランナーであるLazyLiftedは、より優れた統合された検索と学習のヒューリスティックを活用し、ICC 2023学習トラック(LT)ベンチマークで最先端のMLベースのヒューリスティックを上回っています。 IPC 2023 LT と High-branching factor ベンチマークを組み合わせることで,LazyLifted が LAMA を上回っていることを示す。

関連論文リスト

PLANRL: A Motion Planning and Imitation Learning Framework to Bootstrap Reinforcement Learning [13.564676246832544]
PLANRLは、ロボットがいつ古典的な動き計画を使うべきか、いつポリシーを学ぶべきかを選択するためのフレームワークである。 PLANRLは2つの操作モードを切り替える: オブジェクトから離れたときに古典的なテクニックを使ってウェイポイントに到達し、オブジェクトと対話しようとするときに細かい操作制御を行う。我々は,複数の課題のあるシミュレーション環境と実世界のタスクにまたがってアプローチを評価し,既存手法と比較して適応性,効率,一般化の点で優れた性能を示す。
論文参考訳（メタデータ） (2024-08-07T19:30:08Z)
Learning to Plan for Retrieval-Augmented Large Language Models from Knowledge Graphs [59.76268575344119]
知識グラフ(KG)から得られた計画データを用いて,大規模言語モデル(LLM)計画能力を向上するための新しいフレームワークを提案する。 KGデータで微調整されたLLMは、計画能力を向上し、検索を含む複雑なQAタスクを処理するのがより適している。
論文参考訳（メタデータ） (2024-06-20T13:07:38Z)
Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
論文参考訳（メタデータ） (2024-06-18T22:57:06Z)
Simultaneous Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications [8.471147498059235]
構文とセマンティクスの両面で,Sc-LTL仕様に階層構造を導入し,フラットな仕様よりも表現性が高いことを示した。タスク割り当てと計画の同時実行を実現し,マルチロボットシステムの計画を合成するための検索ベースアプローチを開発する。
論文参考訳（メタデータ） (2024-01-08T16:35:13Z)
Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-27T03:49:04Z)
CrossBeam: Learning to Search in Bottom-Up Program Synthesis [51.37514793318815]
ボトムアップ合成のためのハンズオン検索ポリシーを学習するためのニューラルネットワークのトレーニングを提案する。私たちのアプローチは、CrossBeamと呼ばれ、ニューラルモデルを使用して、以前に探索されたプログラムを新しいプログラムに組み合わせる方法を選択します。我々はCrossBeamが効率的に検索することを学び、最先端技術と比較してプログラム空間のより小さな部分を探索する。
論文参考訳（メタデータ） (2022-03-20T04:41:05Z)
Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文参考訳（メタデータ） (2021-10-18T17:56:02Z)
Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文参考訳（メタデータ） (2021-06-19T18:06:11Z)
Multi-layer local optima networks for the analysis of advanced local search-based algorithms [0.6299766708197881]
ローカルオプティマスネットワーク(Local Optima Network, LON)は、特定の近傍演算子と局所探索アルゴリズムに基づいて、特定の最適化問題のフィットネスランドスケープを圧縮するグラフモデルである。本稿では、多層LONの概念と、フィットネスランドスケープ分析のためのメトリクス抽出を目的としたこれらのモデルを探索するための方法論を提案する。
論文参考訳（メタデータ） (2020-04-29T03:20:01Z)
Flexible and Efficient Long-Range Planning Through Curious Exploration [13.260508939271764]
The Curious Sample Planner can realize temporallyextended plan for a wide range of really 3D task。対照的に、標準的な計画と学習の方法は、多くの場合、これらのタスクを全く解決しなかったり、膨大な数のトレーニングサンプルでのみ実行できなかったりします。
論文参考訳（メタデータ） (2020-04-22T21:47:29Z)
STRIPS Action Discovery [67.73368413278631]
近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-01-30T17:08:39Z)

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。