論文の概要: Constrained Goal-directed Planar Graph Generation with Grammar-based Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2610.06244v1
- Date: Mon, 05 Oct 2026 12:45:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 17:29:16.511207
- Title: Constrained Goal-directed Planar Graph Generation with Grammar-based Reinforcement Learning
- Title（参考訳）: 文法に基づく強化学習を用いた制約ゴール指向平面グラフ生成
- Abstract要約: 平面グラフは科学や工学にまたがる応用の中心であるが、既存のジェネレータは厳密な構造と幾何学的実現可能性の制約の下でゴール指向生成を限定的にサポートしている。
本研究では,パラメータグラフ文法と安全な強化学習を組み合わせることで,構成中の制約を満たすことなく,汎用的なタスク固有目的を最適化し,平面グラフ埋め込みを生成するデータセットフリーな手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planar graphs are central to applications across science and engineering, yet existing generators provide limited support for goal-directed generation under hard structural and geometric feasibility constraints. We propose a dataset-free method for generating planar graph embeddings by combining parametric graph grammars with safe reinforcement learning to optimize generic task-specific objectives while satisfying constraints during construction. We formulate the generation process as a constrained Markov decision process, where the graph grammar defines the state and action spaces. We further introduce an action projection that maps sampled actions toward state-dependent safe sets, improving constraint satisfaction during training. In contrast to classical graph generators and deep generative models, which typically offer limited goal-directed control or rely on weak constraint satisfaction, our method constructs feasible planar graph embeddings directly during generation. We also introduce a benchmark suite for constrained and goal-directed planar graph generation, together with classical and deep generative baselines. Across all benchmark tasks, our method consistently outperforms baselines while satisfying the formulated constraints.
- Abstract（参考訳）: 平面グラフは科学や工学にまたがる応用の中心であるが、既存のジェネレータは厳密な構造と幾何学的実現可能性の制約の下でゴール指向生成を限定的にサポートしている。
本研究では,パラメータグラフ文法と安全な強化学習を組み合わせることで,構成中の制約を満たすことなく,汎用的なタスク固有目的を最適化し,平面グラフ埋め込みを生成するデータセットフリーな手法を提案する。
生成過程をマルコフ決定過程として定式化し、そこではグラフ文法が状態空間と行動空間を定義する。
さらに、サンプル化されたアクションを状態依存の安全なセットにマッピングするアクションプロジェクションを導入し、トレーニング中の制約満足度を向上させる。
従来のグラフ生成器や深部生成モデルとは対照的に、通常は限定的な目標指向制御を提供するか、弱い制約満足度に依存しているため、本手法は生成時に直接実行可能な平面グラフ埋め込みを構築する。
また、制約付きおよび目標指向の平面グラフ生成のためのベンチマークスイートと、古典的で深い生成ベースラインも導入する。
全てのベンチマークタスクにおいて、私たちのメソッドは定式化された制約を満たしながらベースラインを一貫して上回ります。
関連論文リスト
- Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation [49.81655636414316]
実世界のグラフは、データ収集と観測上の制約のため、しばしば不完全である。
本稿では,明示的な構造モデリングを回避した特徴中心グラフデータ拡張フレームワークを提案する。
当社のアプローチであるSelfAugは、インダクティブ設定とコールドスタート設定の精度と効率の両方において、最先端の手法を一貫して上回ります。
論文 参考訳（メタデータ） (2026-10-01T21:38:58Z) - Fine-Grained Graph Generation through Latent Mixture Scheduling [16.95910326345246]
グラフ生成における微細構造制御のための条件付き変分オートエンコーダを提案する。
この手法は、グラフの忠実度と制御満足度の両方を改善するために、グラフおよびプロパティ駆動表現を動的に整列させることによりデコーダの潜伏空間を洗練する。
論文 参考訳（メタデータ） (2026-05-04T16:23:01Z) - Embodied Task Planning via Graph-Informed Action Generation with Large Lanaguage Model [6.302973995986435]
GiGは、Graph-in-Graphアーキテクチャを使ってエージェントのメモリを具体化する新しい計画フレームワークである。
これらのグラフの埋め込みをクラスタ化することにより、このフレームワークは構造を意識した事前の検索を可能にする。
本フレームワークは,Robotouille Synchronous,Robotouille Asynchronous,ALFWorldの3つの具体的計画ベンチマーク上で評価する。
論文 参考訳（メタデータ） (2026-01-29T15:18:58Z) - GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。
textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
論文 参考訳（メタデータ） (2025-10-06T08:09:15Z) - Towards Unbiased and Robust Spatio-Temporal Scene Graph Generation and Anticipation [10.678727237318503]
現実世界の視覚的関係はしばしば長い尾の分布を示し、既存の手法がバイアスのあるシーングラフを生成する。
損失マスキングとカリキュラム学習を利用してバイアス発生を緩和する新しいトレーニングフレームワークであるImparを提案する。
我々のカリキュラムによるマスク生成戦略は、バイアス緩和戦略を時間とともに適応的に調整し、よりバランスよく堅牢な推定を可能にします。
論文 参考訳（メタデータ） (2024-11-20T06:15:28Z) - Set-Aligning Framework for Auto-Regressive Event Temporal Graph Generation [19.731605612333716]
イベント時間グラフは、テキスト内のイベント間の複雑な時間関係の便利かつ効果的な表現として示されている。
近年, 事前学習した言語モデルを用いて, 事象時間グラフ構築のための線形化グラフを自動回帰生成する研究が, 有望な結果を示している。
しかし、これらの手法は、線形化されたグラフが代わりに言語モデルによって順次扱われるセット特性を示すため、しばしば準最適グラフ生成に繋がる。
論文 参考訳（メタデータ） (2024-04-01T23:46:00Z) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:07:46Z) - Iterative Scene Graph Generation [55.893695946885174]
シーングラフ生成は、オブジェクトエンティティとその対応する相互作用述語を所定の画像(またはビデオ)で識別する。
シーングラフ生成への既存のアプローチは、推定イテレーションの実現を可能にするために、関節分布の特定の因子化を前提としている。
本稿では,この制限に対処する新しいフレームワークを提案するとともに,画像に動的条件付けを導入する。
論文 参考訳（メタデータ） (2022-07-27T10:37:29Z) - Sequential Manipulation Planning on Scene Graph [90.28117916077073]
我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。
ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。
次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
論文 参考訳（メタデータ） (2022-07-10T02:01:33Z) - Energy-Based Learning for Scene Graph Generation [26.500496033477127]
シーングラフを生成するための新しいエネルギーベース学習フレームワークを提案する。
提案する定式化により,シーングラフの構造を出力空間に効率的に組み込むことができる。
提案するフレームワークを用いて,既存の最先端モデルをトレーニングし,大幅な性能向上を実現する。
論文 参考訳（メタデータ） (2021-03-03T07:11:23Z) - Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。
本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。
これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文 参考訳（メタデータ） (2020-12-31T18:17:57Z)
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。