論文の概要: Counterfactual Scenarios for Automated Planning

• arxiv url: http://arxiv.org/abs/2508.21521v1
• Date: Fri, 29 Aug 2025 11:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.019862
• Title: Counterfactual Scenarios for Automated Planning
• Title（参考訳）: 自動計画のためのファクトファクトシナリオ
• Authors: Nicola Gigante, Francesco Leofante, Andrea Micheli,
• Abstract要約: Counterfactual Explanations (CE) は機械学習モデルを説明するための強力なテクニックである。 本稿では,反現実的シナリオに基づく新しい説明パラダイムを提案する。 対実シナリオの生成は、しばしばプランをP$で計算するのと同じくらいコストがかかることを示しています。
• 参考スコア（独自算出の注目度）: 12.720308658692892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual Explanations (CEs) are a powerful technique used to explain Machine Learning models by showing how the input to a model should be minimally changed for the model to produce a different output. Similar proposals have been made in the context of Automated Planning, where CEs have been characterised in terms of minimal modifications to an existing plan that would result in the satisfaction of a different goal. While such explanations may help diagnose faults and reason about the characteristics of a plan, they fail to capture higher-level properties of the problem being solved. To address this limitation, we propose a novel explanation paradigm that is based on counterfactual scenarios. In particular, given a planning problem $P$ and an \ltlf formula $\psi$ defining desired properties of a plan, counterfactual scenarios identify minimal modifications to $P$ such that it admits plans that comply with $\psi$. In this paper, we present two qualitative instantiations of counterfactual scenarios based on an explicit quantification over plans that must satisfy $\psi$. We then characterise the computational complexity of generating such counterfactual scenarios when different types of changes are allowed on $P$. We show that producing counterfactual scenarios is often only as expensive as computing a plan for $P$, thus demonstrating the practical viability of our proposal and ultimately providing a framework to construct practical algorithms in this area.
• Abstract（参考訳）: Counterfactual Explanations (CE) は、モデルに対する入力をどのように最小限に変更し、異なる出力を生成するかを示すことによって、機械学習モデルを説明するために使用される強力なテクニックである。 同様の提案は自動計画の文脈で行われており、CEは、異なる目標を満足させるような既存の計画への最小限の変更によって特徴づけられている。 このような説明は、計画の特徴に関する欠点や理由を診断するのに役立ちますが、解決される問題の高レベルな特性を捉えられません。 この制限に対処するため,本研究では,対実シナリオに基づく新たな説明パラダイムを提案する。 特に、計画問題 $P$ と \ltlf 式 $\psi$ が計画の望ましい性質を定義すると、反実シナリオは$P$ への最小限の変更を識別し、$\psi$ に従う計画を認める。 本稿では、$\psi$を満たさなければならない計画に関する明示的な定量化に基づいて、対実シナリオの定性的な2つのインスタンス化を示す。 次に、異なるタイプの変更が$P$で許される場合、そのような反現実的なシナリオを生成するという計算複雑性を特徴づける。 提案手法は,提案手法の実用性を実証し,最終的に本分野における実用的なアルゴリズム構築のための枠組みを提供するものである。

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)
• DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
  タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。 本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。 古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
  論文  参考訳（メタデータ） (2023-06-22T20:40:24Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Contrastive Explanations of Plans Through Model Restrictions [11.259587284318833]
  計画交渉の問題の文脈で説明可能なAI計画を組み立てます。 本研究は,ユーザが計画について質問すると,その質問とは対照的であることを示す,ユーザ調査の結果を示す。 本研究は,計画交渉中に頻繁に発生するユーザ質問の分類を構築するために,本研究のデータを用いている。
  論文  参考訳（メタデータ） (2021-03-29T12:47:15Z)
• 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)
• Multi-tier Automated Planning for Adaptive Behavior (Extended Version) [0.4129225533930965]
  本稿では,異なる仮定セットの仕様を計画するための多層フレームワークを提案する。 非決定論的計画形式への簡潔なコンパイルによる問題インスタンスの解法を示す。
  論文  参考訳（メタデータ） (2020-02-27T21:16:01Z)

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。