論文の概要: Imitation Learning for Connection-Tableau Construction

• arxiv url: http://arxiv.org/abs/2608.26009v1
• Date: Wed, 26 Aug 2026 16:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.921471
• Title: Imitation Learning for Connection-Tableau Construction
• Title（参考訳）: コネクティション・タブレア構築のための模倣学習
• Authors: Fredrik Rømming, Mantas Bakšys, Martin S. Fixman, Sean B. Holden,
• Abstract要約: 自動証明器はステップごとに証明を作成し、追加するポイントと削除するポイントを選択する。 このようなポリシーを、問題間で転送される構造からの証明編集をスコアするグラフニューラルネットワークに装備する。 M2k上の固定ステップ予算、MPTP2078-bushy theorem、TPTP v9.2.1では、学習ポリシーはleanCoPよりも最大46%の問題を解決し、桁違いに少ないステップで証明に達する。
• 参考スコア（独自算出の注目度）: 0.5984778372787988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An automated theorem prover builds a proof step by step, choosing at each point what to add and what to remove. We cast this construction as a policy acting in a transition system induced by a formal calculus, which fixes which steps are sound: for clausal connection tableaux, leanCoP-style search and plCoP/rlCoP-style planning then become stateful policies over one interface, and policy-learning methods apply directly. We equip such policies with a graph neural network that scores proof edits from structure that transfers across problems, train it by imitation learning from found proofs, and measure how performance holds as we remove search scaffolding, from full symbolic backtracking to a policy the network drives alone. Within a fixed step budget on M2k, MPTP2078-bushy, and TPTP v9.2.1, learned policies solve up to 46% more problems than leanCoP, and reach proofs in an order of magnitude fewer steps.
• Abstract（参考訳）: 自動定理証明器は段階的に証明を行い、何を追加するか、何を取り除くかを選ぶ。 我々は、この構成を、形式的な計算によって引き起こされる遷移システムに作用するポリシーとみなし、どのステップが正しいかを修正する: クララ接続表、leanCoPスタイルの検索、plCoP/rlCoPスタイルの計画では、一方のインターフェース上でステートフルなポリシーとなり、ポリシー学習手法が直接適用される。 このようなポリシーをグラフニューラルネットワークに装備し、問題を横断した構造から証明の編集をスコア付けし、得られた証明から模擬学習によってそれを訓練し、検索の足場を除去する際のパフォーマンスを、完全なシンボルバックトラックからネットワークが単独で行うポリシーまで測定する。 M2k、MPTP2078-bushy、TPTP v9.2.1の固定ステップ予算の中で、学習ポリシーはleanCoPよりも最大46%の問題を解決し、桁違いに少ないステップで証明に達する。

関連論文リスト

• Learning Policy Representations for Steerable Behavior Synthesis [80.4542176039074]
  マルコフ決定プロセス(MDP)を前提として,テスト時の行動ステアリングを促進するために,さまざまなポリシーの表現を学習する。 これらの表現は、セットベースアーキテクチャを用いて、様々なポリシーに対して均一に近似できることを示す。 変動生成法を用いてスムーズな潜伏空間を導出し,さらにコントラスト学習により、潜伏距離が値関数の差と一致するように形成する。
  論文  参考訳（メタデータ） (2026-01-29T21:52:06Z)
• TD-M(PC)$^2$: Improving Temporal Difference MPC Through Policy Constraint [11.347808936693152]
  モデルベースの強化学習アルゴリズムは、モデルベースの計画と学習された価値/政治を組み合わせる。 バリューラーニングに標準のSACスタイルのポリシーイテレーションに依存する既存の手法は、しばしばエンハンピスタントな価値過大評価をもたらす。 本稿では,ODAクエリを削減し,価値学習を改善する政策正規化項を提案する。
  論文  参考訳（メタデータ） (2025-02-05T19:08:42Z)
• Projected Off-Policy Q-Learning (POP-QL) for Stabilizing Offline Reinforcement Learning [57.83919813698673]
  Projected Off-Policy Q-Learning (POP-QL) は、政治外のサンプルを同時に重み付け、分散を防止し、価値近似誤差を減らすためにポリシーを制約する新しいアクタ批判アルゴリズムである。 我々の実験では、POP-QLは標準ベンチマーク上での競合性能を示すだけでなく、データ収集ポリシーがかなり最適化されていないタスクにおいて競合するメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-11-25T00:30:58Z)
• Co-learning Planning and Control Policies Constrained by Differentiable Logic Specifications [4.12484724941528]
  本稿では,高次元ロボットナビゲーションタスクを解くための新しい強化学習手法を提案する。 既存の強化学習アルゴリズムと比較して、より少ないサンプルで高品質なポリシーを訓練する。 提案手法は,高次元制御と政策アライメントによる準最適政策の回避にも有効である。
  論文  参考訳（メタデータ） (2023-03-02T15:24:24Z)
• Mutual Information Regularized Offline Reinforcement Learning [76.05299071490913]
  我々は、データセットにおける状態と行動間の相互情報の観点から、オフラインRLにアプローチする新しいMISAフレームワークを提案する。 この下位境界の最適化は、オフラインデータセット上での一段階改善されたポリシーの可能性の最大化と等価であることを示す。 MISAの3つの異なる変種を導入し、より厳密な相互情報によりオフラインのRL性能が向上することを示した。
  論文  参考訳（メタデータ） (2022-10-14T03:22:43Z)
• Bridging the gap between QP-based and MPC-based RL [1.90365714903665]
  擬似プログラム(QP)の形式を採り、最適化問題を用いてポリシーと値関数を近似する。 汎用的非構造化QPは学習に高い柔軟性を提供する一方、MPCスキームの構造を持つQPは、その結果のポリシーの説明可能性を促進する。 本稿では,提案手法の動作と結果の構造をポイントマスタスクを用いて記述する。
  論文  参考訳（メタデータ） (2022-05-18T10:41:18Z)
• Pareto Conditioned Networks [1.7188280334580197]
  本稿では,すべての非支配的ポリシーを包含するために,単一ニューラルネットワークを用いる手法を提案する。 PCNは過去の移行とエピソードのリターンを関連付け、ネットワークをトレーニングする。 提案手法は教師付き方式で学習することで安定しており,移動目標問題を回避することができる。
  論文  参考訳（メタデータ） (2022-04-11T12:09:51Z)
• Constructing a Good Behavior Basis for Transfer using Generalized Policy Updates [63.58053355357644]
  そこで我々は,優れた政策集合を学習する問題を考察し,組み合わせることで,目に見えない多種多様な強化学習タスクを解くことができることを示した。 理論的には、独立したポリシーのセットと呼ぶ、特定の多様なポリシーのセットにアクセスできることによって、ハイレベルなパフォーマンスを即時に達成できることが示される。
  論文  参考訳（メタデータ） (2021-12-30T12:20:46Z)
• DDPG++: Striving for Simplicity in Continuous-control Off-Policy Reinforcement Learning [95.60782037764928]
  過大評価バイアスが制御される限り、単純な決定論的政策勾配は著しく機能することを示す。 第二に、非政治的なアルゴリズムの典型であるトレーニングの不安定性を、欲張りのポリシー更新ステップに向ける。 第3に、確率推定文学におけるアイデアは、リプレイバッファからの重要サンプル遷移や、性能劣化を防ぐためのポリシー更新に利用できることを示す。
  論文  参考訳（メタデータ） (2020-06-26T20:21:12Z)
• Reinforcement Learning for POMDP: Partitioned Rollout and Policy Iteration with Application to Autonomous Sequential Repair Problems [2.6389022766562236]
  有限状態と制御空間を持つ動的プログラミング問題と部分状態観測について考察する。 本稿では,マルチステップのルックアヘッド,既知の基本方針付きロールアウト,端末コスト関数近似を用いたアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2020-02-11T02:38:38Z)
• Hierarchical Variational Imitation Learning of Control Programs [131.7671843857375]
  パラメータ化された階層的手順(PHP)で表される制御ポリシーの模倣学習のための変分推論手法を提案する。 本手法は, 教師による実演の観察・行動トレースのデータセットにおける階層構造を, 手続き呼び出しや用語の待ち行列に近似した後続分布を学習することによって発見する。 階層的模倣学習(hierarchical mimicion learning)の文脈における変分推論の新たな利点を実証する。
  論文  参考訳（メタデータ） (2019-12-29T08:57:02Z)

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。