論文の概要: GONDOR to the Rescue: Satisficing Planning with Low Memory

• arxiv url: http://arxiv.org/abs/2605.28454v1
• Date: Wed, 27 May 2026 13:20:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.071057
• Title: GONDOR to the Rescue: Satisficing Planning with Low Memory
• Title（参考訳）: GONDOR to the Rescue: 低メモリで計画に満足する
• Authors: Yonatan Vernik, Alexander Tuisov, Alexander Shleyfman,
• Abstract要約: GONDORはGreedy Best-First Search(GBFS)の拡張である GONDORは、アンカー状態のスパースセットを保持しながら周期的に探索木を圧縮し、ゴールに達するとスパース状態間の再探索によって経路を再構築する。 実験により、GONDORは標準のGBFSと比較して、低メモリ予算下でのカバレッジを一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 80.8869960059932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Greedy Best-First Search (GBFS) is the dominant approach for solving search problems where the goal can be estimated with a heuristic, such as planning, route finding, navigation, and pathfinding. This is especially true when the memory is tightly constrained, such as planning on edge devices. To alleviate that, we present GONDOR (Greedy Online Navigation with Dynamic Outpost-based Re-search), a memory-efficient extension of GBFS that allows search to continue under strict memory limits by periodically compressing the search tree while retaining a sparse set of anchor states, then upon reaching the goal reconstructs the path by re-searching between the sparse states. We analyze the algorithm and discuss several variants defined by different outpost selection policies. In addition, we explore using Bloom filters for compact duplicate detection in the closed list. Experiments across numeric planning domains and heuristic configurations show that GONDOR consistently improves coverage under low memory budgets compared to standard GBFS. We release the implementation of GONDOR and the Bloom-filter variant to facilitate further research on memory-efficient heuristic search.
• Abstract（参考訳）: Greedy Best-First Search (GBFS) は、計画、ルート探索、ナビゲーション、パスフィンディングといったヒューリスティックな方法で目標を推定できる検索問題の解決において、主要なアプローチである。 これは、エッジデバイスを計画するなど、メモリが厳しく制限されている場合に特に当てはまる。 そこで我々は,GONDOR(Greedy Online Navigation with Dynamic Outpost-based Re-search)を提案する。GBFSのメモリ効率のよい拡張で,探索木を周期的に圧縮し,アンカー状態のスパースを保ちながら,スパース状態の間を探索することで経路を再構築する。 アルゴリズムを解析し、異なるポスト選択ポリシーで定義されたいくつかの変種について議論する。 さらに,閉鎖リストのコンパクトな重複検出のためのブルームフィルタについて検討する。 数値計画領域とヒューリスティックな構成での実験では、GONDORは標準のGBFSと比較して、低メモリ予算下でのカバレッジを一貫して改善している。 我々は、メモリ効率の高いヒューリスティック検索のさらなる研究を容易にするため、GONDORとBloom-filter variantの実装をリリースする。

関連論文リスト

• PRISM: Pareto-Efficient Retrieval over Intent-Aware Structured Memory for Long-Horizon Agents [9.504077408241544]
  ロングホライゾン言語エージェントは、どの固定されたコンテキストウィンドウよりもはるかに早く会話履歴を蓄積する。 PRISMは、長期記憶を共同検索・圧縮問題として扱う訓練不要な検索サイドフレームワークである。
  論文  参考訳（メタデータ） (2026-05-12T15:28:30Z)
• GP-Tree: An in-memory spatial index combining adaptive grid cells with a prefix tree for efficient spatial querying [5.732286906919534]
  GP-Treeは、空間オブジェクトの近似グリッドセルをプレフィックスツリー構造に整理する、きめ細かい空間インデックスである。 木伐採やノード最適化などの最適化手法を導入し,探索経路とメモリ消費を削減する。 実世界のデータセットの実験では、GP-Treeは従来の空間指標よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-08T07:59:03Z)
• Adaptive Prefiltering for High-Dimensional Similarity Search: A Frequency-Aware Approach [0.0]
  本稿では,Zipfian分布に従ってクエリ空間を周波数層に分割する適応型事前フィルタフレームワークを提案する。 CLIP埋め込みを用いたImageNet-1kの実験は、周波数対応の予算配分が20.4%の距離計算で等価なリコールを達成することを示した。 このフレームワークは、軽量な周波数トラッキングを通じて最小限のオーバーヘッドを導入し、コヒーレンスベースのフォールバックポリシを通じて、目に見えないクエリを優雅に分解する。
  論文  参考訳（メタデータ） (2025-12-03T10:11:35Z)
• SLOPE: Search with Learned Optimal Pruning-based Expansion [2.0618817976970103]
  SLOPE(Learned Optimal Pruning-based Expansion)を用いた探索手法を提案する。 ノードの距離を最適経路から学習し、その結果、オープンリストのサイズを小さくする。 これにより、探索は最適な経路に近い領域のみを探索し、メモリと計算コストを削減できる。
  論文  参考訳（メタデータ） (2024-06-07T13:42:15Z)
• Exploring Complicated Search Spaces with Interleaving-Free Sampling [127.07551427957362]
  本稿では,長距離接続を伴う複雑な検索空間上に探索アルゴリズムを構築する。 我々はtextbfIF-NAS という単純なアルゴリズムを提案し、異なるサブネットワークを構築するために周期的なサンプリング戦略を実行する。 提案した探索空間において、IF-NASはランダムサンプリングと従来の重み付け検索のアルゴリズムを有意差で上回っている。
  論文  参考訳（メタデータ） (2021-12-05T06:42:48Z)
• Stagnation Detection in Highly Multimodal Fitness Landscapes [0.0]
  局所最適化から逃れるためのランダム化探索のメカニズムとして,定常検出法が提案されている。 本稿では,探索半径をより注意深く制御するために,静止検出に付加できる半径メモリと呼ばれる新しい機構について検討する。 このアイデアはSD-RLS$textm$と呼ばれるアルゴリズムで実装され、それまでのステージング検出の変種と比較して高速化された。
  論文  参考訳（メタデータ） (2021-04-09T14:33:52Z)
• BR-NS: an Archive-less Approach to Novelty Search [70.13948372218849]
  行動認識に基づく新規性探索(BR-NS)という,新規性推定の代替手法について議論する。 BR-NSはアーカイブを必要とせず、行動空間で定義できるメトリクスを前提にせず、近隣の検索に依存しません。 我々は、その実現可能性とダイナミクス、および時間複雑性の観点からアーカイブベースのnsよりも潜在的に有利な点について洞察を得るために実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T17:31:34Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)
• Sub-linear Regret Bounds for Bayesian Optimisation in Unknown Search Spaces [63.22864716473051]
  本稿では,反復により探索空間を拡大(およびシフト)する新しいBOアルゴリズムを提案する。 理論的には、どちらのアルゴリズムにおいても、累積的後悔は線形以下の速度で増大する。
  論文  参考訳（メタデータ） (2020-09-05T14:24:40Z)
• Best-First Beam Search [78.71330480725668]
  本研究では,ビームサーチの標準実装を10倍高速に実現可能であることを示す。 ダウンストリーム性能の面でも同様に有益な探索バイアスを有するBest-First Beam Searchのメモリ再生版を提案する。
  論文  参考訳（メタデータ） (2020-07-08T05:56:01Z)

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。