Learning Domain-Independent Heuristics for Grounded and Lifted Planning

要約

検索をガイドするグラフ ニューラル ネットワーク (GNN) を使用して、ドメインに依存しないヒューリスティックを学習するのに適した計画タスクの 3 つの新しいグラフ表現を紹介します。
特に、大規模な接地された GNN によって引き起こされる問題を軽減するために、計画タスクのリフト表現のみを使用してドメインに依存しないヒューリスティックを学習するための最初の方法を紹介します。
また、モデルの表現力の理論的分析も提供し、ドメインに依存しないヒューリスティックを学習するための唯一の既存モデルである STRIPS-HGN よりも強力なものがあることを示しています。
私たちの実験は、私たちのヒューリスティックがトレーニング セットのものよりもはるかに大きな問題に一般化し、STRIPS-HGN ヒューリスティックを大幅に上回っていることを示しています。

要約(オリジナル)

We present three novel graph representations of planning tasks suitable for learning domain-independent heuristics using Graph Neural Networks (GNNs) to guide search. In particular, to mitigate the issues caused by large grounded GNNs we present the first method for learning domain-independent heuristics with only the lifted representation of a planning task. We also provide a theoretical analysis of the expressiveness of our models, showing that some are more powerful than STRIPS-HGN, the only other existing model for learning domain-independent heuristics. Our experiments show that our heuristics generalise to much larger problems than those in the training set, vastly surpassing STRIPS-HGN heuristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google