論文の概要: FONDANT: Strong and Best-Effort Planning via Antichains

• arxiv url: http://arxiv.org/abs/2609.35160v1
• Date: Mon, 28 Sep 2026 13:36:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 16:29:51.408717
• Title: FONDANT: Strong and Best-Effort Planning via Antichains
• Title（参考訳）: FONDANT: アンチチェーンによる強固かつベストプラクティス計画
• Abstract要約: 完全可観測非決定論的(FOND)計画における古典的な解の概念は強い方針である。 本研究では,ベストエフォートプランニングと強力なプランニングの両面において,健全で完全なプランナーを導入する。
• 参考スコア（独自算出の注目度）: 8.208747427175725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A classical solution concept in fully observable nondeterministic (FOND) planning, is the strong policy (aka winning strategy in the closely related area of reactive synthesis), i.e., such a policy ensures that the goal is reached in an adversarial environment. When strong policies are not available or there is no evidence that the environment is adversarial, one can resort to best-effort policies, which always exist, and which follow the classic decision-theoretic principle that an agent should not use a dominated strategy. A typical positional best-effort policy works as follows: from every state, it follows a strong policy if one exists from that state (such states are called ``strong-winning''), else a weak policy if one exists from that state (``weak-winning''), and else is unconstrained (``losing''). In this work, we introduce a sound and complete planner for both best-effort planning and strong planning. The algorithm that underpins the planner is quite simple: it represents certain sets of states, such as the winning regions, by their $\subseteq$-minimal elements. The algorithm returns uniform policies, i.e., it returns a policy $π_t$ that is a strong solution starting in every strong-winning state, and it returns a policy $π_w$ that is a weak solution starting in every weak-winning state, and it provides a certificate for the set of losing states. We implemented the algorithm with some simple optimizations (calling it FONDANT), and evaluated it on a benchmark set consisting of the instances that were used in the evaluation of leading strong planners PR2 and FOND-SAT, and the best-effort planner BeSyftP. On coverage, our implementation is at least as good on all domains, and outperforms on some domains; and on wall time, it is slower on small and medium-sized instances, and outperforms on larger instances.
• Abstract（参考訳）: 完全可観測非決定論的(FOND)計画における古典的な解の概念は、強い政策(すなわち、反応合成の密接に関連する領域における勝利戦略)であり、そのような政策は、その目標が敵の環境で到達されることを保証する。 強い政策が利用できない、あるいは環境が敵対的であるという証拠がない場合、常に存在する最善策に頼り、エージェントが支配的な戦略を使わないという古典的な決定論的原則に従うことができる。 典型的な位置的最善政策は以下の通りである: あらゆる状態から、その状態から存在する場合(そのような状態は「強い勝利」と呼ばれる)、その状態から存在する場合(「弱い勝利」)、そうでない場合(「ロッシング」)、強い政策に従う。 本研究では,ベストエフォートプランニングと強力なプランニングの両面において,健全で完全なプランナーを導入する。 プランナーの基盤となるアルゴリズムは非常に単純で、$\subseteq$-minimal 要素によって勝利した領域のような特定の状態の集合を表す。 アルゴリズムは均一なポリシーを返す、すなわち、強い勝利状態から始まる強い解であるポリシー $π_t$ を返し、弱い勝利状態から始まる弱い解であるポリシー $π_w$ を返し、失った状態の集合の証明を提供する。 我々は,FONDANTと呼ぶ)簡単な最適化でアルゴリズムを実装し,主要なプランナーであるPR2とFOND-SATと,ベストエフォートプランナーであるBeSyftPの評価に使用されたインスタンスからなるベンチマークセットで評価した。 カバレッジに関しては、少なくともすべてのドメインで、いくつかのドメインでは、パフォーマンスが良く、壁面では、中小インスタンスでは遅く、より大きなインスタンスでは、パフォーマンスが良くなります。

関連論文リスト

• Learning Not to Optimize: Physics-Informed Action-Space Reshaping for Intent-Based Network Control [50.46501177871741]
  LNOQRD は小物候補を75.9% で削減し、90.8% でニアオラクルのカバレッジを維持している。 実験の結果、LNOQRDは実用性と意図の満足度が最も高く、かつ、法律違反が最低で、世代後レイテンシが低いことがわかった。
  論文  参考訳（メタデータ） (2026-08-02T00:27:01Z)
• Adaptive Policies for Resource Generation in a Quantum Network [0.5332865877117923]
  分散量子システムのためのプロトコルは、通常、$n$の絡み合った状態の同時可用性を必要とする。 我々は、$n$の絡み合った状態が$F_mathrmapp$以上の忠実さで利用可能になるまでの期待時間を最小化する最適なポリシーを導出する。
  論文  参考訳（メタデータ） (2025-09-22T11:04:12Z)
• Best-Effort Policies for Robust Markov Decision Processes [69.60742680559788]
  我々は、ロバスト MDP (RMDPs) として知られる遷移確率の組によるマルコフ決定過程(MDPs)の共通一般化について研究する。 このような政策を最適な堅牢なベストプラクティス(ORBE)政策と呼ぶ。 我々はORBEポリシーが常に存在することを証明し、その構造を特徴付け、標準的なロバストな値反復よりも小さなオーバヘッドで計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-08-11T09:18:34Z)
• Convergence and Sample Complexity of First-Order Methods for Agnostic Reinforcement Learning [66.4260157478436]
  政策学習における強化学習について検討する。 目的は、特定の種類の利害関係において最高の政策と競争力のある政策を見つけることである。
  論文  参考訳（メタデータ） (2025-07-06T14:40:05Z)
• Convergence of Policy Mirror Descent Beyond Compatible Function Approximation [66.4260157478436]
  我々は,より弱い変動支配を前提とした理論的PMD一般政策クラスを開発し,最良クラス政策への収束を得る。 我々の主観念は、占有度-勾配測度によって誘導される局所ノルムによって誘導される新しい概念を活用する。
  論文  参考訳（メタデータ） (2025-02-16T08:05:46Z)
• Oracle-Efficient Reinforcement Learning for Max Value Ensembles [7.404901768256101]
  大または無限の状態空間における強化学習(RL)は、理論上、実験的に困難である。 この作業では、$textitmax-following Policy$と競合することを目指しています。 我々の主な成果は、構成ポリシーのみにアクセスすると、最大フォローポリシーと競合する効率的なアルゴリズムである。
  論文  参考訳（メタデータ） (2024-05-27T01:08:23Z)
• Restless Bandits with Average Reward: Breaking the Uniform Global Attractor Assumption [12.471848976031904]
  基本的な目標は、腕の数($N$)が大きくなるにつれて、最適性のギャップを小さくするポリシーを効率的に計算することである。 既存の最適性に関する結果は、すべて一様大域的誘引特性(UGAP)に依存している。 我々は,任意の単一武器のポリシーを元の$N$武器の問題に対するポリシーに変換する,汎用的なシミュレーションベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-31T21:26:43Z)
• Restless Bandits with Many Arms: Beating the Central Limit Theorem [25.639496138046546]
  有限ホライズン・レスト・ブレイディット(有限ホライズン・レスト・ブレイディット)は、レコメンデーターシステム、アクティブラーニング、収益管理、その他多くの分野で重要な役割を果たしている。 最適ポリシーは、原理的には動的プログラミングを用いて計算できるが、計算に必要なスケールは腕数$N$で指数関数的にスケールする。 最適性ギャップが$O(1)$である流体プライオリティポリシと呼ばれる、非退化条件と、実用的に計算可能な新しいポリシーのクラスを特徴付ける。
  論文  参考訳（メタデータ） (2021-07-25T23:27:12Z)

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。