論文の概要: The DeepXube Software Package for Solving Pathfinding Problems with Learned Heuristic Functions and Search

• arxiv url: http://arxiv.org/abs/2603.23873v1
• Date: Wed, 25 Mar 2026 03:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.102309
• Title: The DeepXube Software Package for Solving Pathfinding Problems with Learned Heuristic Functions and Search
• Title（参考訳）: DeepXube Software Package for Solving Pathfinding Problems with Learned Heuristic Function and Search
• Authors: Forest Agostinelli,
• Abstract要約: DeepXubeはフリーでオープンソースのPythonパッケージとコマンドラインツールである。 ディープラーニングを用いて、ディープニューラルネットワーク(DNN)に適した検索アルゴリズムを誘導する関数を学習することで、パスフィニング問題の解決を自動化する。 これは、パスフィニング問題を解決するための深層強化学習、探索、形式論理の最新の進歩で構成されている。
• 参考スコア（独自算出の注目度）: 0.33214284733668026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DeepXube is a free and open-source Python package and command-line tool that seeks to automate the solution of pathfinding problems by using machine learning to learn heuristic functions that guide heuristic search algorithms tailored to deep neural networks (DNNs). DeepXube is comprised of the latest advances in deep reinforcement learning, heuristic search, and formal logic for solving pathfinding problems. This includes limited-horizon Bellman-based learning, hindsight experience replay, batched heuristic search, and specifying goals with answer-set programming. A robust multiple-inheritance structure simplifies the definition of pathfinding domains and the generation of training data. Training heuristic functions is made efficient through the automatic parallelization of the generation of training data across central processing units (CPUs) and reinforcement learning updates across graphics processing units (GPUs). Pathfinding algorithms that take advantage of the parallelism of GPUs and DNN architectures, such as batch weighted A* and Q* search and beam search are easily employed to solve pathfinding problems through command-line arguments. Finally, several convenient features for visualization, code profiling, and progress monitoring during training and solving are available. The GitHub repository is publicly available at https://github.com/forestagostinelli/deepxube.
• Abstract（参考訳）: DeepXubeは、ディープラーニングを使用して、ディープニューラルネットワーク(DNN)に適したヒューリスティック検索アルゴリズムをガイドするヒューリスティック関数を学ぶことによって、パスフィニッシュ問題の解決を自動化する、フリーでオープンソースのPythonパッケージとコマンドラインツールである。 DeepXubeは、ディープラーニング、ヒューリスティック検索、およびパスフィニング問題を解決するための形式論理の最新の進歩で構成されている。 これには、限定水平ベルマンベースの学習、後視体験のリプレイ、バッチ化されたヒューリスティック検索、回答セットプログラミングによる目標指定が含まれる。 堅牢な多重継承構造は、パスフィンディング領域の定義とトレーニングデータの生成を単純化する。 トレーニングヒューリスティック関数は、中央処理ユニット(CPU)にまたがるトレーニングデータの自動並列化と、グラフィクス処理ユニット(GPU)にまたがる強化学習更新によって効率的になる。 バッチ重み付きA*やQ*探索やビーム探索といったGPUとDNNアーキテクチャの並列性を利用するパスフィンディングアルゴリズムは、コマンドラインの引数によってパスフィンディング問題を解決するのに簡単である。 最後に、視覚化、コードプロファイリング、トレーニングと問題解決の進捗監視に便利な機能がいくつか用意されている。 GitHubリポジトリはhttps://github.com/forestagostinelli/deepxube.comで公開されている。

関連論文リスト

• Bayesian Program Learning by Decompiling Amortized Knowledge [50.960612835957875]
  本稿では,ニューラルサーチポリシーを直接活用し,その記憶された知識を効果的に「分解」し,関連するプログラムコンポーネントを抽出する,新たな学習手法を提案する。 これにより、より強力な償却推論が実現され、探索幅を減らすために学習した償却知識も探索深度を減らすために使用されるようになった。
  論文  参考訳（メタデータ） (2023-06-13T15:35:01Z)
• Learning Graph Search Heuristics [48.83557172525969]
  本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。 我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。 実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
  論文  参考訳（メタデータ） (2022-12-07T22:28:00Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
  パスプランニングは、モバイルロボティクスの重要なコンポーネントです。 アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2021-05-04T21:48:18Z)
• Auto-MAP: A DQN Framework for Exploring Distributed Execution Plans for DNN Workloads [11.646744408920764]
  Auto-MAPはワークロードの分散実行計画を探索するフレームワークである。 ディープラーニングモデルのIRレベルの強化学習を通じて、高速な並列化戦略を自動的に発見することができる。 評価の結果,Auto-MAPは複数のNLPおよび畳み込みモデルにおいて,より優れたスループットを実現しつつ,最適解を2時間以内に見つけることができることがわかった。
  論文  参考訳（メタデータ） (2020-07-08T12:38:03Z)

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。