NeSIG: A Neuro-Symbolic Method for Learning to Generate Planning Problems

要約

自動計画の分野では、機械学習のトレーニング データとして使用したり、計画競争のベンチマークとして使用したりするために、特定のドメインからの一連の計画問題が必要になることがよくあります。
ほとんどの場合、これらの問題は手動またはドメイン固有のジェネレーターによって作成され、人間の設計者に負担がかかります。
この論文では、NeSIG を提案します。NeSIG は、有効かつ多様で解決が難しい計画問題を自動的に生成する、私たちの知る限り初めてのドメインに依存しない方法です。
問題生成をマルコフ決定プロセスとして定式化し、深層強化学習を使用して 2 つの生成ポリシーをトレーニングして、目的の特性を持つ問題を生成します。
私たちは 3 つの古典的なドメインで実験を行い、私たちのアプローチを手作りのドメイン固有のインスタンス ジェネレーターやさまざまなアブレーションと比較しました。
結果は、NeSIG がドメイン固有のジェネレーターよりもはるかに困難 (幾何平均で 15.5 倍) の有効かつ多様な問題を自動的に生成できると同時に、それらと比較して人的労力を削減できることを示しています。
さらに、トレーニング中に発生した問題よりも大きな問題に一般化できる可能性があります。

要約(オリジナル)

In the field of Automated Planning there is often the need for a set of planning problems from a particular domain, e.g., to be used as training data for Machine Learning or as benchmarks in planning competitions. In most cases, these problems are created either by hand or by a domain-specific generator, putting a burden on the human designers. In this paper we propose NeSIG, to the best of our knowledge the first domain-independent method for automatically generating planning problems that are valid, diverse and difficult to solve. We formulate problem generation as a Markov Decision Process and train two generative policies with Deep Reinforcement Learning to generate problems with the desired properties. We conduct experiments on three classical domains, comparing our approach against handcrafted, domain-specific instance generators and various ablations. Results show NeSIG is able to automatically generate valid and diverse problems of much greater difficulty (15.5 times more on geometric average) than domain-specific generators, while simultaneously reducing human effort when compared to them. Additionally, it can generalize to larger problems than those seen during training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google