論文の概要: A Probabilistic Framework for Hierarchical Goal Recognition

• arxiv url: http://arxiv.org/abs/2604.22256v1
• Date: Fri, 24 Apr 2026 05:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.359344
• Title: A Probabilistic Framework for Hierarchical Goal Recognition
• Title（参考訳）: 階層的ゴール認識のための確率的枠組み
• Authors: Chenyuan Zhang, Katherine Ip, Hamid Rezatofighi, Buser Say, Mor Vered,
• Abstract要約: 階層型タスクネットワーク(HTN)上での階層的目標認識のための最初の計画に基づく確率的フレームワークを紹介する。 確率推定のための3段階生成モデルを用いてHTNプランナを活用することにより,フレームワークのインスタンス化を行う。 実験の結果,HTNベンチマークにおける既存のHTNベースの認識器よりも認識性能が向上した。
• 参考スコア（独自算出の注目度）: 16.673645178605938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Goal recognition aims to infer an agent's goal from observations of its behaviour. In realistic settings, recognition can benefit from exploiting hierarchical task structure and reasoning under uncertainty. Planning-based goal recognition has made substantial progress over the past decade, but to the best of our knowledge no existing approach jointly integrates hierarchical task structure with probabilistic inference. In this paper, we introduce the first planning-based probabilistic framework for hierarchical goal recognition over Hierarchical Task Networks (HTNs). We instantiate the framework by exploiting an HTN planner with a three-stage generative model for likelihood estimation, yielding posterior distributions over goal hypotheses. Empirical results show improved recognition performance over the existing HTN-based recognizer on HTN benchmarks. Overall, the framework lays a foundation for probabilistic goal recognition grounded in hierarchical planning structure, moving goal recognition toward more practical settings.
• Abstract（参考訳）: ゴール認識は、エージェントの行動の観察からエージェントのゴールを推測することを目的としている。 現実的な環境では、認識は階層的なタスク構造と不確実性の下での推論を活用できる。 計画に基づく目標認識は、過去10年間に大きく進歩してきたが、私たちの知る限り、既存のアプローチは階層的なタスク構造と確率的推論を統合していない。 本稿では,階層型タスクネットワーク(HTN)上での階層的目標認識のための,計画に基づく最初の確率的フレームワークを紹介する。 我々は,HTNプランナを3段階生成モデルで推定し,目標仮説よりも後続分布を導出することにより,フレームワークのインスタンス化を行う。 実験の結果,HTNベンチマークにおける既存のHTNベースの認識器よりも認識性能が向上した。 全体として、このフレームワークは階層的計画構造に基づく確率的目標認識の基礎を築き、より実用的な設定に向けてゴール認識を移動させる。

関連論文リスト

• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• Probabilistic Active Goal Recognition [12.583886275683302]
  能動ゴール認識のための確率的フレームワークを採用する。 本稿では,モンテカルロ木探索アルゴリズムと共同信条更新機構を組み合わせた統合解を提案する。 共同信条更新は受動的目標認識を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-29T14:22:29Z)
• A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
  本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。 TVEは従来のトレーニング前のベースラインを一貫して上回っている。 本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
  論文  参考訳（メタデータ） (2025-07-14T00:17:21Z)
• Goal Recognition using Actor-Critic Optimization [12.842382984993632]
  DRACO(Deep Recognition using Actor-Critic Optimization)は、深層強化学習に基づく新しいアプローチである。 DRACOは、構造化されていないデータからポリシーネットワークの集合を学習し、それらを推論に使用する最初のゴール認識アルゴリズムである。 既存のアプローチで使用されている構造化入力を使わずに、個別設定でゴール認識のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-12-31T16:44:20Z)
• Goal Recognition via Linear Programming [14.129476759815251]
  計画としての目標認識に関する研究は、計画課題のモデル、観察、計画手法を用いた目標の推論を含む。 本稿では,Operator-Countingフレームワークに依存する新しい認識手法を設計する。 我々は、新しいIP/LP制約が、部分的かつノイズの多い観測可能性の下で、ゴールの認識をいかに改善できるかを示す。
  論文  参考訳（メタデータ） (2024-04-11T17:34:35Z)
• SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies [16.12477042879166]
  階層時系列(HTS)予測には2つのサブタスク、すなわち予測と和解が含まれる。 本稿では,トップダウン・コンボリューションとボトムアップ・アテンション(ボトムアップ・アテンション)という,新しいツリーベース機能統合機構を提案する。 強い仮定を頼りにするか、一貫性のある制約のみにフォーカスする従来の和解法とは異なり、我々はディープ・ニューラル・オプティマイゼーション・ネットワークを利用する。
  論文  参考訳（メタデータ） (2023-02-11T10:50:33Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)
• Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
  未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。 視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。 本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:58:56Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。