論文の概要: Neurosymbolic Action Model Learning under Partial Observability

• arxiv url: http://arxiv.org/abs/2609.25766v1
• Date: Tue, 22 Sep 2026 06:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.259926
• Title: Neurosymbolic Action Model Learning under Partial Observability
• Title（参考訳）: 部分観測可能性下におけるニューロシンボリック・アクションモデル学習
• Abstract要約: アクションモデルは、既存のニューロシンボリックアプローチを使用して利用可能なデータから学習することができる。 NeSyAMは、部分観測可能性下での行動モデル学習のための新しいニューロシンボリックモデリングパラダイムである。
• 参考スコア（独自算出の注目度）: 26.392355976460763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI planning studies how an agent can reach a goal by executing a sequence of actions. To plan correctly, the agent needs an action model describing when each action can be executed and how it changes the world. Constructing such models by hand requires domain expertise, and can be costly and error-prone. Action models can instead be learned from available data using existing neurosymbolic approaches, but they currently assume access to complete traces of fully observable images . These approaches fail to learn action models under partial observability where some of the images might not be present or are not fully informative of the current state of the world. Hence, this paper proposes NeSyAM, a novel neurosymbolic modeling paradigm for action model learning under partial observability. In addition, the paper presents a unified variational framework for theoretically analysing the limitations of existing methods compared to our proposed approach. NeSyAM is then tested extensively on six visual planning domains and three observation regimes to show it consistently recovers relevant parts of the true action model under partial observability.
• Abstract（参考訳）: AIプランニングは、エージェントが一連のアクションを実行することによって目標に到達する方法を研究する。 正しく計画するには、エージェントは、各アクションがいつ実行され、どのように世界を変えるかを記述するアクションモデルが必要である。 このようなモデルを手作業で構築するにはドメインの専門知識が必要です。 アクションモデルは、既存のニューロシンボリックアプローチを使用して利用可能なデータから学ぶことができるが、現在は完全に観測可能な画像の完全なトレースへのアクセスを前提としている。 これらのアプローチは、一部の画像が存在しない、あるいは世界の現在の状態について完全に情報がない部分観測可能性の下でアクションモデルを学ぶのに失敗する。 そこで本研究では,部分観測可能性下での行動モデル学習のためのニューロシンボリック・モデリング・パラダイムであるNeSyAMを提案する。 さらに,本提案手法と比較して,既存手法の限界を理論的に解析するための統一的な変分フレームワークを提案する。 その後、NeSyAMは6つの視覚的計画領域と3つの観察体制で広範囲にテストされ、部分的な可観測性の下で真のアクションモデルの関連部分を継続的に回復することを示す。

関連論文リスト

• From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
  アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。 世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。 我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
  論文  参考訳（メタデータ） (2026-07-13T15:22:56Z)
• World Action Models: The Next Frontier in Embodied AI [123.5787299299832]
  VLA(Vision-Language-Action)モデルは、具体的政策学習のための強力なセマンティックな一般化を実現している。 彼らは、物理的な世界が介入の下でどのように進化するかを明示的にモデル化することなく、リアクティブな観察から行動へのマッピングを学ぶ。 成長するこの制限には、世界モデル、環境ダイナミクスの予測モデル、アクション生成パイプラインを統合することで対処する。
  論文  参考訳（メタデータ） (2026-05-12T13:10:52Z)
• Learning Lifted Action Models from Unsupervised Visual Traces [38.479081137300945]
  本研究では,状態予測,行動予測,持ち上げ行動モデルなどを共同で学習するディープラーニングフレームワークを提案する。 また,予測崩壊や自己強化エラーを防止するために,MILP(mixed-integer linear program)を導入する。 複数の領域にわたる実験により、MILPベースの補正を統合することで、モデルが局所最適から逃れ、一貫した解へと収束することを示す。
  論文  参考訳（メタデータ） (2026-04-21T03:49:04Z)
• Learning to Operate in Open Worlds by Adapting Planning Models [12.513121330508477]
  プランニングエージェントは、ドメインモデルがもはや正確に世界を表すことができない新しい状況で振る舞うことができない。 オープンな世界で活動するエージェントに対して,新規性の存在を検知し,ドメインモデルに効果的に適用するアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-24T21:04:16Z)
• Minimal Value-Equivalent Partial Models for Scalable and Robust Planning in Lifelong Reinforcement Learning [56.50123642237106]
  モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。 このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。 我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-24T16:40:01Z)
• Learning Visual Planning Models from Partially Observed Images [17.25694427734666]
  部分的に観察された原画像トレースから遷移モデルを学習するための新しいフレームワークであるaTypeRecplanを提供する。 また、与えられた目標観測距離を推定するモデルを学ぶためのニューラルネットワークベースのアプローチを提案する。 本手法は,不完全な観測環境下での視覚計画モデル学習の最先端手法よりも効果的である。
  論文  参考訳（メタデータ） (2022-11-25T07:00:56Z)
• Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning [27.841725567976315]
  本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。 このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。 モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
  論文  参考訳（メタデータ） (2022-03-30T17:01:59Z)
• Procedure Planning in Instructional Videosvia Contextual Modeling and Model-based Policy Learning [114.1830997893756]
  本研究は,実生活ビデオにおける目標指向アクションを計画するモデルを学習することに焦点を当てる。 本研究では,ベイズ推論とモデルに基づく模倣学習を通して,人間の行動のモデル化を行う新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-05T01:06:53Z)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)

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。