論文の概要: From domain-landmark graph learning to problem-landmark graph generation
- arxiv url: http://arxiv.org/abs/2509.17062v1
- Date: Sun, 21 Sep 2025 12:41:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.094719
- Title: From domain-landmark graph learning to problem-landmark graph generation
- Title（参考訳）: ドメインランドマークグラフ学習から問題ランドマークグラフ生成へ
- Authors: Cristian Pérez-Corral, Antonio Garrido, Laura Sebastia,
- Abstract要約: 計画領域の複数の計画課題からランドマーク関係を学習する新しい手法を提案する。
我々は、よく知られた計画領域に対するアプローチによって発見された情報の精度とリコールを評価する。
- 参考スコア（独自算出の注目度）: 0.5199765487172326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Landmarks have long played a pivotal role in automated planning, serving as crucial elements for improving the planning algorithms. The main limitation of classical landmark extraction methods is their sensitivity to specific planning tasks. This results in landmarks fully tailored to individual instances, thereby limiting their applicability across other instances of the same planning domain. We propose a novel approach that learns landmark relationships from multiple planning tasks of a planning domain. This leads to the creation of a \textit{probabilistic lifted ordering graph}, as a structure that captures weighted abstractions of relationships between parameterized landmarks. Although these orderings are not 100\% true (they are probabilistic), they can still be very useful in planning. Next, given a new planning task for that domain, we instantiate the relationships from that graph to this particular instance. This instantiation operates in two phases. First, it generates two graphs: the former instantiating information from the initial state and the latter from the goal state. Second, it combines these two graphs into one unified graph by searching equivalences to extract landmark orderings. We evaluate the precision and recallof the information found by our approach over well-known planning domains.
- Abstract（参考訳）: ランドマークは長い間、自動計画において重要な役割を担い、計画アルゴリズムを改善する上で重要な要素となっている。
古典的ランドマーク抽出法の主な制限は、特定の計画課題に対する感度である。
これにより、ランドマークは個々のインスタンスに完全に適合し、同じプランニングドメインの他のインスタンスに適用性を制限することができる。
計画領域の複数の計画課題からランドマーク関係を学習する新しい手法を提案する。
これにより、パラメータ化されたランドマーク間の関係の重み付けされた抽象化をキャプチャする構造として、 \textit{probabilistic lifted ordering graph} が生成される。
これらの順序は100\%の真ではない(確率的である)が、計画において非常に有用である。
次に、そのドメインの新しい計画タスクを前提として、そのグラフからこの特定のインスタンスとの関係をインスタンス化する。
このインスタンスは2つのフェーズで動作します。
まず、前者が初期状態から、後者が目標状態から情報をインスタンス化する2つのグラフを生成する。
第二に、これらの2つのグラフを1つの統一グラフに組み合わせ、同値を探索してランドマーク順序を抽出する。
我々は、よく知られた計画領域に対するアプローチによって発見された情報の精度とリコールを評価する。
関連論文リスト
- Revisiting Landmarks: Learning from Previous Plans to Generalize over Problem Instances [4.6071451559137175]
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。
論文 参考訳（メタデータ） (2025-08-29T12:21:44Z) - Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。
本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。
モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
論文 参考訳（メタデータ） (2025-02-20T13:47:51Z) - AutoG: Towards automatic graph construction from tabular data [60.877867570524884]
本稿では,グラフ構築問題を形式化し,効果的な解法を提案する。
既存の自動工法は特定の場合にのみ適用できる。
本稿では,グラフ構築手法の形式化と評価を行うデータセットについて述べる。
第2に,高品質なグラフスキーマを自動生成するLLMベースのソリューションAutoGを提案する。
論文 参考訳（メタデータ） (2025-01-25T17:31:56Z) - Graph Learning for Numeric Planning [2.969582361376132]
数値計画課題の解法を学習するための,データ効率と解釈可能な機械学習モデルを提案する。
これには、連続属性と分類属性の両方を持つグラフ用の新しいグラフカーネルを構築することが含まれる。
実験により、グラフカーネルはグラフニューラルネットワークよりもはるかに効率的で一般化され、数値計画が可能であることが示された。
論文 参考訳（メタデータ） (2024-10-31T16:16:51Z) - Location-Free Scene Graph Generation [45.366540803729386]
シーングラフ生成(SGG)は視覚的理解タスクであり、シーンをエンティティのグラフとして記述し、互いに関連付けることを目的としている。
既存の作業は、バウンディングボックスやセグメンテーションマスクといった形で位置ラベルに依存しており、アノテーションのコストが増加し、データセットの拡張が制限されている。
我々は、この依存関係を破り、位置のないシーングラフ生成(LF-SGG)を導入する。
本課題は, 空間的局所化を明示的に計算することなく, 実体のインスタンスと関係性を予測することを目的とする。
論文 参考訳（メタデータ） (2023-03-20T08:57:45Z) - Sequential Manipulation Planning on Scene Graph [90.28117916077073]
我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。
ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。
次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
論文 参考訳（メタデータ） (2022-07-10T02:01:33Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z)
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。