論文の概要: GADAR: Generalizing Across Domains via Action Ranking for Classical Planning

• arxiv url: http://arxiv.org/abs/2610.34868v1
• Date: Mon, 26 Oct 2026 05:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.764143
• Title: GADAR: Generalizing Across Domains via Action Ranking for Classical Planning
• Title（参考訳）: GADAR: 古典的計画のためのアクションランク付けによるドメイン間の一般化
• Abstract要約: 本稿では,ドメイン記述を入力として(s,G,D)とみなし,検索なしでは見つからないドメインの接地動作を構築する政策であるGADRを提案する。 我々は8つのベンチマークドメインに対してゼロショット一般化の残余領域を評価した。
• 参考スコア（独自算出の注目度）: 7.925272817108244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned policies for classical planning act without search, but each is tied to the domain it was trained on: network modules per action schema, parameters per predicate, or vocabulary-sized encodings mean a trained policy cannot even be executed on a new domain's predicates and action schemas. We present GADAR (Generalizing Across Domains via Action Ranking), a policy that takes the domain description as input, π(s, G, D), and constructs grounded actions in domains never seen in training, without search. Symbols are described by the roles they play in the domain rather than by their names, in three layers that each extend the previous one: (i) a lifted domain layer embeds D in every state graph through structural signatures; (ii) a binding layer ties each ground action's applicability to the lifted preconditions it instantiates; and (iii) a chain layer states which schema produces what another needs and how far each schema stands from the goal. The same network therefore runs on every domain, seen or unseen. We evaluate zero-shot generalization leave-one-domain-out over eight benchmark domains. A single GADAR policy trained on seven domains solves 58.3% of their test instances, one point below the 59.3% of dedicated single-domain GADAR models, so one policy serves many domains at no cost in coverage; a multi-task control that keeps symbol identity in its weights, while strong on some of the domains it trains on, transfers to none of the held-out ones. Zero-shot, GADAR executes on every held-out domain and exceeds random choice under the same executor on the large test instances of all eight: it solves 22.6% of them on average, against 3.3% for random choice and 0.6% for the same representation without the chain layer, and reaches 68% on held-out Visitall. Zero-shot coverage nonetheless remains well below in-domain coverage on most domains, and we analyze where it is weakest.
• Abstract（参考訳）: ネットワークモジュール アクションスキーマ毎のネットワークモジュール 述語毎のパラメータ あるいは語彙サイズのエンコーディングとは、トレーニングされたポリシが、新しいドメインの述語およびアクションスキーマ上で実行できないことを意味する。 GADAR(Generalizing Across Domains via Action Ranking)は、ドメイン記述を入力として取り込んだポリシーであり、π(s, G, D) であり、探索することなく、トレーニングで見たことのないドメインの接地されたアクションを構成する。 シンボルは、名前ではなくドメインで果たす役割によって説明され、それぞれが前の役割を拡張する3つのレイヤで説明されます。 i) 上げられたドメイン層は、構造的シグネチャを通して、すべての状態グラフにDを埋め込む。 2) 結合層は、各接地行動の適用性を、それがインスタンス化する持ち上げ前条件に結びつける。 3) チェーン層は、どのスキーマが必要とするものを生成し、それぞれのスキーマが目標からどれくらい離れているかを記述する。 したがって、同一のネットワークは、見る、見る、見る、見えないすべてのドメインで動作する。 我々は8つのベンチマークドメインに対してゼロショット一般化の残余領域を評価した。 7つのドメインでトレーニングされた単一のGADRポリシーは、テストインスタンスの58.3%を解決し、59.3%の専用ドメインGADRモデルより1ポイント低い。 ゼロショットでは、GADARはすべてのホールトアウトドメイン上で実行され、全8大テストインスタンスで同じエグゼキュータの下でランダム選択を超える: 平均で22.6%、ランダム選択で3.3%、チェーン層なしで同じ表現で0.6%、ホールトアウトビジターで68%に達する。 それでもゼロショットのカバレッジは、ほとんどのドメインにおけるドメイン内カバレッジよりもはるかに低いままであり、最も弱い部分を分析します。

関連論文リスト

• Large-Scale Multi-Domain Recommendation: an Automatic Domain Feature Extraction and Personalized Integration Framework [30.46152832695426]
  大規模マルチドメインレコメンデーションのための自動ドメイン特徴抽出とパーソナライズド統合(DFEI)フレームワークを提案する。 このフレームワークは個々のユーザの振る舞いを自動的にドメイン内のすべてのユーザの振る舞いの集約に変換し、ドメインの機能として機能します。 20以上のドメインからなるパブリックデータセットと産業データセットの実験結果から,提案フレームワークがSOTAベースラインと比較して大幅に性能が向上していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-12T09:57:17Z)
• Domain-General Crowd Counting in Unseen Scenarios [25.171343652312974]
  群集データ間のドメインシフトは、群集数モデルが目に見えないシナリオに一般化するのを著しく妨げます。 ソースドメインを複数のサブドメインに分割する動的サブドメイン分割方式を提案する。 画像特徴におけるドメイン固有情報からドメイン不変情報を切り離すために、ドメイン不変および-特定のクラウドメモリモジュールを設計する。
  論文  参考訳（メタデータ） (2022-12-05T19:52:28Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
  生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。 計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:09:29Z)
• Unsupervised Domain Generalization by Learning a Bridge Across Domains [78.855606355957]
  Unsupervised Domain Generalization (UDG) のセットアップでは、ソースもターゲットドメインもトレーニングの監督は行わない。 本手法は,各トレーニング領域からBrADへの視覚的(イメージ間)マッピングを保存したセマンティクスのセットを伴って,補助的なブリッジドメインであるBrAD(Bridge Across Domains)の自己教師型学習に基づいている。 我々は,エッジレギュラー化したBrADを用いて,UDG,Few-shot UDA,マルチドメインデータセット間の教師なし一般化など,複数のベンチマークやタスクにまたがる大幅な向上を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-12-04T10:25:45Z)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation [95.10255219396109]
  クラスレベルの特徴アライメントのための微粒な逆学習戦略を提案する。 ドメイン区別器として機能するだけでなく、クラスレベルでドメインを区別する、きめ細かいドメイン識別器を採用しています。 CCD (Class Center Distance) を用いた解析により, 粒度の細かい対角戦略により, クラスレベルのアライメントが向上することが確認された。
  論文  参考訳（メタデータ） (2020-07-17T20:50:59Z)

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。