論文の概要: Revisiting Landmarks: Learning from Previous Plans to Generalize over Problem Instances

• arxiv url: http://arxiv.org/abs/2508.21564v1
• Date: Fri, 29 Aug 2025 12:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.03742
• Title: Revisiting Landmarks: Learning from Previous Plans to Generalize over Problem Instances
• Title（参考訳）: ランドマークを再考する: 問題事例を一般化するための事前計画から学ぶ
• Authors: Issa Hanou, Sebastijan Dumančić, Mathijs de Weerdt,
• Abstract要約: ドメインをまたいで自動的に一般化するランドマークを発見するための新しいフレームワークを提案する。 一般化されたランドマークは、自動プランナーにとって解釈可能で有用なドメイン情報をキャプチャする。
• 参考スコア（独自算出の注目度）: 4.6071451559137175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new framework for discovering landmarks that automatically generalize across a domain. These generalized landmarks are learned from a set of solved instances and describe intermediate goals for planning problems where traditional landmark extraction algorithms fall short. Our generalized landmarks extend beyond the predicates of a domain by using state functions that are independent of the objects of a specific problem and apply to all similar objects, thus capturing repetition. Based on these functions, we construct a directed generalized landmark graph that defines the landmark progression, including loop possibilities for repetitive subplans. We show how to use this graph in a heuristic to solve new problem instances of the same domain. Our results show that the generalized landmark graphs learned from a few small instances are also effective for larger instances in the same domain. If a loop that indicates repetition is identified, we see a significant improvement in heuristic performance over the baseline. Generalized landmarks capture domain information that is interpretable and useful to an automated planner. This information can be discovered from a small set of plans for the same domain.
• Abstract（参考訳）: ドメインをまたいで自動的に一般化するランドマークを発見するための新しいフレームワークを提案する。 これらの一般化されたランドマークは、解決された一連のインスタンスから学習され、伝統的なランドマーク抽出アルゴリズムが不足する計画上の中間目標を記述する。 一般化されたランドマークは、特定の問題の対象とは独立な状態関数を使用して、すべての類似のオブジェクトに適用することで、ドメインの述語を超えて拡張され、繰り返しをキャプチャする。 これらの関数に基づいて、反復的な部分計画のループ可能性を含むランドマーク進行を定義する有向一般化されたランドマークグラフを構築する。 我々は、このグラフをヒューリスティックに使用して、同じドメインの新しい問題インスタンスを解決する方法を示す。 この結果から,少数の事例から得られた一般化されたランドマークグラフは,同じ領域の大規模事例に対しても有効であることが示唆された。 繰り返しを示すループが特定できれば、ベースラインよりもヒューリスティックなパフォーマンスが大幅に向上する。 一般化されたランドマークは、自動プランナーにとって解釈可能で有用なドメイン情報をキャプチャする。 この情報は、同じドメインの小さな計画から見つけることができる。

関連論文リスト

• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• A Schema-aware Logic Reformulation for Graph Reachability [1.360022695699485]
  本稿では,インスタンスの高レベルな概念化を活用することで,グラフパスを自動的に排除・ソートする戦略を提案する。 目的は、時間、空間要求、バックトラック数の観点から従来のアルゴリズムを改善することができるグラフ到達可能性シナリオの新しい一階述語論理の再構成を得ることである。
  論文  参考訳（メタデータ） (2024-10-03T14:39:49Z)
• Multi-Domain Long-Tailed Learning by Augmenting Disentangled Representations [80.76164484820818]
  多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。 本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。 TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
  論文  参考訳（メタデータ） (2022-10-25T21:54:26Z)
• Graph Value Iteration [35.87805182676444]
  ディープ強化学習(Dep Reinforcement Learning, RL)は、2人のプレイヤーによるゲームや科学的な発見など、様々な検索領域で成功している。 最大の難点は、学習フレームワークが解決計画を見つけない限り、報酬信号がゼロであることである。 本稿では,グラフ探索をグラフ値繰り返しで拡張し,ハードプランニングインスタンスを解くドメイン非依存の手法を提案する。
  論文  参考訳（メタデータ） (2022-09-20T10:45:03Z)
• Finding Diverse and Predictable Subgraphs for Graph Domain Generalization [88.32356432272356]
  本稿では,不明瞭な分布シフトにより性能が低下するグラフの分布外一般化に着目した。 本稿では,DPSと呼ばれる新しいグラフ領域の一般化フレームワークを提案する。 ノードレベルのベンチマークとグラフレベルのベンチマークの両方の実験により、提案したDPSはグラフ領域の一般化タスクにおいて印象的な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-19T07:57:56Z)
• Multi-Domain Incremental Learning for Semantic Segmentation [42.30646442211311]
  そこで,同質な意味的特徴を捉えるために,普遍的に共有されるドメイン不変パラメータを割り当てる動的アーキテクチャを提案する。 提案手法が、ドイツ(都市景観)、アメリカ合衆国(BDD100k)、インド(IDD)の道路(都市景観)の実際の運転シーンに関連する領域の漸進的な設定に与える影響を実証する。
  論文  参考訳（メタデータ） (2021-10-23T12:21:42Z)
• Domain-Class Correlation Decomposition for Generalizable Person Re-Identification [34.813965300584776]
  個人の再識別では、ドメインとクラスは相関する。 このドメイン・クラス間の相関関係により、ドメインの敵対的学習はクラスに関する特定の情報を失うことが示される。 我々のモデルは、大規模ドメイン一般化Re-IDベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-06-29T09:45:03Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。