論文の概要: Compositional Monte Carlo Tree Diffusion for Extendable Planning

• arxiv url: http://arxiv.org/abs/2510.21361v1
• Date: Fri, 24 Oct 2025 11:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.41694
• Title: Compositional Monte Carlo Tree Diffusion for Extendable Planning
• Title（参考訳）: 拡張計画のための構成モンテカルロ木拡散
• Authors: Jaesik Yoon, Hyeonseo Cho, Sungjin Ahn,
• Abstract要約: Monte Carlo Tree Diffusion (MCTD) は、拡散モデルと構造木探索を統合し、ステップワイズ推論による効果的な軌道探索を可能にする。 C-MCTDは,個々の軌道の最適化から完全な計画構成の推論まで,プランニングを高めるフレームワークである。
• 参考スコア（独自算出の注目度）: 23.02359884805878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monte Carlo Tree Diffusion (MCTD) integrates diffusion models with structured tree search to enable effective trajectory exploration through stepwise reasoning. However, MCTD remains fundamentally limited by training trajectory lengths. While periodic replanning allows plan concatenation for longer plan generation, the planning process remains locally confined, as MCTD searches within individual trajectories without access to global context. We propose Compositional Monte Carlo Tree Diffusion (C-MCTD), a framework that elevates planning from individual trajectory optimization to reasoning over complete plan compositions. C-MCTD introduces three complementary components: (1) Online Composer, which performs globally-aware planning by searching across entire plan compositions; (2) Distributed Composer, which reduces search complexity through parallel exploration from multiple starting points; and (3) Preplan Composer, which accelerates inference by leveraging cached plan graphs.
• Abstract（参考訳）: Monte Carlo Tree Diffusion (MCTD) は、拡散モデルと構造木探索を統合し、ステップワイズ推論による効果的な軌道探索を可能にする。 しかし、MCTDは訓練軌跡の長さによって基本的に制限されている。 定期的な計画変更によって計画の結合がより長い計画生成が可能となるが、MCTDはグローバルな文脈にアクセスできることなく個々の軌跡を探索するので、計画プロセスは局所的に限定されている。 C-MCTDは,個々の軌道の最適化から完全な計画構成の推論まで,プランニングを高めるフレームワークである。 C-MCTDは,(1)計画構成全体を探索してグローバルな計画を実行するオンラインコンストラクタ,(2)複数の開始点からの並列探索により探索複雑性を低減させる分散コンストラクタ,(3)キャッシュされた計画グラフを利用して推論を加速するプリプランコンストラクタ,の3つの補完的なコンポーネントを導入している。

関連論文リスト

• Fast Monte Carlo Tree Diffusion: 100x Speedup via Parallel Sparse Planning [61.694143925237206]
  最近提案されたモンテカルロ木拡散(MCTD)は,木に基づく探索と拡散を組み合わせて,有望な解を提供する。 Fast-MCTDは、遅延ツリー更新と冗長性認識による並列ロールアウトを可能にするParallel MCTDと、軌道粗大化によるロールアウト長の削減を行うSparse MCTDの2つの技術を統合する。 実験により、Fast-MCTDは標準MCTDよりも最大100倍の高速化を実現し、計画性能を維持または改善した。
  論文  参考訳（メタデータ） (2025-06-11T08:17:40Z)
• Monte Carlo Tree Diffusion for System 2 Planning [57.50512800900167]
  モンテカルロ木探索(MCTS)の適応探索機能と拡散モデルの生成強度を統合する新しいフレームワークであるモンテカルロ木拡散(MCTD)を紹介する。 本手法は,木構造化プロセスとしてデノナイジングを再認識し,部分的にデノナイジングした計画を反復的に評価し,刈り取り,精錬する。
  論文  参考訳（メタデータ） (2025-02-11T02:51:42Z)
• Enabling Visual Action Planning for Object Manipulation through Latent Space Roadmap [72.01609575400498]
  高次元状態空間を有する複雑な操作タスクの視覚的行動計画のための枠組みを提案する。 低次元潜時空間におけるシステムダイナミクスを世界規模で捉えたグラフベースの構造であるタスク計画のためのLatent Space Roadmap(LSR)を提案する。 実ロボットで実行された2つの模擬ボックス積み重ねタスクと折り畳みタスクについて,本フレームワークの徹底的な検討を行う。
  論文  参考訳（メタデータ） (2021-03-03T17:48:26Z)
• Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
  暗黙的な逐次計画の仮定に代わるものを検討する。 本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。 計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
  論文  参考訳（メタデータ） (2020-04-23T18:08:58Z)

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。