論文の概要: Parallel Lifted Planning via Semi-Naive Datalog Evaluation

• arxiv url: http://arxiv.org/abs/2605.07584v1
• Date: Fri, 08 May 2026 10:53:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.007692
• Title: Parallel Lifted Planning via Semi-Naive Datalog Evaluation
• Title（参考訳）: 半裸データログ評価による並列リフテッドプランニング
• Abstract要約: 我々は,ルールレベルの並列性とグラウンド化という2つのレベルの並列性を持つ実行モデルを開発し,解析する。 我々の実装は、単一のコア上のベースラインよりも多くのタスクを解決し、追加コアを使用するにつれてギャップが拡大します。 提案した実行モデルは平均並列率92.4%を示し、8コアで6倍の高速化を実現している。
• 参考スコア（独自算出の注目度）: 2.6572330982240935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lifted classical planners operate directly on first-order planning tasks to avoid the computationally demanding grounding step. However, lifted planning is typically slower, as planners must repeatedly instantiate ground structures during search. Many core components of lifted classical planning, such as successor generation, axiom evaluation, task grounding, and delete-relaxed heuristics, have previously been studied through the lens of Datalog evaluation. We build upon this line of work and extend it by developing and analyzing an execution model with two levels of parallelism: rule-level parallelism and grounding parallelism. We further specialize this solver for planning-specific workloads with a grounder based on clique enumeration, which we extend to support semi-naive Datalog evaluation. Our experimental evaluation using greedy best-first search with the FF heuristic shows that our implementation already solves more tasks than the baselines on a single core, and the gap widens as additional cores are used. Moreover, on hard-to-ground tasks where on average 97.6% of the total runtime is spent in Datalog execution, the proposed execution model exhibits an average parallel fraction of 92.4%, while achieving up to a 6-fold speedup on 8 cores in practice.
• Abstract（参考訳）: リフテッド古典プランナーは、計算的に要求される基礎的なステップを避けるために、一階計画タスクを直接運用する。 しかし、揚陸計画は通常、探索中に繰り返し地上構造をインスタンス化しなければならないため、遅い。 後継生成、公理評価、タスクグラウンド、削除緩和ヒューリスティックスといった古典的計画の多くのコアコンポーネントは、これまでDatalog評価のレンズを通して研究されてきた。 我々は、この一連の作業の上に構築し、ルールレベル並列性とグラウンド化並列性という2つのレベルの並列性を持つ実行モデルを開発し、分析することで拡張する。 さらに、この解法を、斜め列挙に基づくグライダーを用いたプランニング固有のワークロードに特化し、セミナティブなデータログ評価をサポートするように拡張する。 FFヒューリスティックを用いたグリージーベストファーストサーチによる実験結果から,本実装は単一コア上のベースラインよりも多くのタスクをすでに解決しており,コアの追加によってギャップが拡大していることがわかった。 さらに、Datalogの実行に平均97.6%のランタイムが使用されるハード・ツー・グラウンドタスクでは、提案された実行モデルは平均並列率92.4%を示し、実際には8コアで最大6倍のスピードアップを実現している。

関連論文リスト

• The Horizon Gap: Planning, Memory, Execution, Training, and Evaluation for Long-Horizon LLM Agents [7.159691098846351]
  得られた1,547枚のarXiv紙を26.8%の血液フィルターで解析した。 我々は、長い水平、長いコンテキスト、長期記憶という、日常的に混ざった3つの特性を曖昧にしている。 結果のみの信号は、水平線が長くなるにつれて非形式的になる。
  論文  参考訳（メタデータ） (2026-08-07T00:19:48Z)
• Plan First, Diffuse Later: Extrinsic Graph Guidance for Long-Horizon Diffusion Planning [44.52185127499181]
  構成拡散モデルは、長期計画への有望なルートを提供する。 しかし、長鎖上の局所的な振る舞いを強制することは、コヒーレントなグローバル構造が現れるには不十分であることが多い。 最近の研究は本質的な探索を通じてこの限界に対処し、復調過程において複数の経路を探索している。
  論文  参考訳（メタデータ） (2026-05-16T07:53:04Z)
• Do Agents Need to Plan Step-by-Step? Rethinking Planning Horizon in Data-Centric Tool Calling [18.782893288656044]
  LLMベースのエージェントは複雑なデータ中心のタスクを解決する。 既存の戦略は,(1)実行前に完全な計画を生成するフルホライズン(FH)と,(2)段階的推論と観察を伴う各アクション(ツールコール)をインターリーブするシングルステップ水平化(SH)の2つのパラダイムに分類される。
  論文  参考訳（メタデータ） (2026-05-08T20:51:42Z)
• Hierarchical Task Network Planning with LLM-Generated Heuristics [45.222898125439286]
  大規模言語モデル(LLM)がHTN計画に有効な探索アルゴリズムを生成できるかどうかを検討する。 LLMは最高のHTNプランナのカバレッジとほぼ一致し、共有問題の83%で検索の労力を大幅に削減した。
  論文  参考訳（メタデータ） (2026-05-08T13:14:31Z)
• HiPER: Hierarchical Reinforcement Learning with Explicit Credit Assignment for Large Language Model Agents [36.77027704958893]
  HiPERは階層的計画実行(Hierarchical Plan-Execute RL)フレームワークで、高レベルの計画と低レベルの実行を分離する。 HiPER は ALFWorld で97.4%、Qwen2.5-7B-Instruct で WebShop で83.3% を達成している。
  論文  参考訳（メタデータ） (2026-02-18T03:31:34Z)
• Closing the Train-Test Gap in World Models for Gradient-Based Planning [64.36544881136405]
  本研究では,効率的な勾配計画を可能にする世界モデルの学習方法を提案する。 テスト時には,古典的勾配のないクロスエントロピー法よりも優れた手法が提案される。
  論文  参考訳（メタデータ） (2025-12-10T18:59:45Z)
• Gradient-Based Join Ordering [0.532836690371986]
  ジョイン順序付けは、データベースクエリのジョインを評価する最も効率的なシーケンスを選択する問題である。 従来のアプローチでは、コストモデルによってガイドされたバイナリツリーを個別に実行時に検索する、という問題があった。 コストモデルが異なる場合、クエリ計画がソフトな隣接行列に連続的に緩和可能であることを示す。 学習したグラフニューラルネットワークをコストモデルとして使用することにより、この勾配に基づくアプローチが、同等で低コストなプランを見つけることができることを示す。
  論文  参考訳（メタデータ） (2025-11-18T13:24:28Z)
• ParaCook: On Time-Efficient Planning for Multi-Agent Systems [62.471032881396496]
  大規模言語モデル(LLM)は、長期の現実世界のタスクを計画するための強力な推論能力を示す。 時間効率の協調計画のためのベンチマークであるParaCookを紹介する。
  論文  参考訳（メタデータ） (2025-10-13T16:47:07Z)
• 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)
• DHP: Discrete Hierarchical Planning for Hierarchical Reinforcement Learning Agents [2.1438108757511958]
  本稿では,連続距離推定を離散的到達性チェックに置き換え,サブゴールの実現可能性を評価する手法を提案する。 25室のナビゲーション環境での実験では、100%の成功率を示している。 この方法は運動量に基づく制御タスクにも一般化され、再計画には$log N$ステップしか必要としない。
  論文  参考訳（メタデータ） (2025-02-04T03:05:55Z)
• Parallel Strategies for Best-First Generalized Planning [51.713634067802104]
  汎用計画(GP)は、複数の古典的な計画インスタンスを解くことができるアルゴリズムのようなソリューションの自動合成を研究するAIの研究分野である。 現在の進歩の1つはBest-First Generalized Planning (BFGP) の導入である。 本稿では,並列探索手法をBFGPに適用し,性能ギャップを埋める上で重要な要素であることを示す。
  論文  参考訳（メタデータ） (2024-07-31T09:50:22Z)
• A Training Data Recipe to Accelerate A* Search with Language Models [3.037409201025504]
  A*のような検索アルゴリズムを備えた大規模言語モデル(LLM)は、拡張された推論とスケーラブルな推論の約束を持っている。 我々は,A*探索アルゴリズムの要件を LLM の要件から実験的に切り離して,この課題を一般化する。 提案手法は,解を見つけるのに要する反復回数を最大15倍に削減し,壁面通過速度を最大5倍に向上させる。
  論文  参考訳（メタデータ） (2024-07-13T19:21:44Z)
• Simple Hierarchical Planning with Diffusion [54.48129192534653]
  拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。 階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。 我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
  論文  参考訳（メタデータ） (2024-01-05T05:28:40Z)
• Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
  Skipperはモデルベースの強化学習フレームワークである。 これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。 環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
  論文  参考訳（メタデータ） (2023-09-30T02:25:18Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)

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。