On Learning Action Costs from Input Plans

要約

アクション モデルの学習に関する作業のほとんどは、入力プランからアクションのダイナミクスを学習することに焦点を当てています。
これにより、計画タスクの有効な計画を指定できるようになります。
ただし、アクション コストの学習に焦点を当てた作業はほとんどありません。これにより、さまざまな計画をランク付けできるようになります。
この論文では、新しい問題を導入します。それは、結果として得られる計画モデルの下で入力計画のセットが最適になるように、アクションのセットのコストを学習するという問題です。
この問題を解決するために、ラベルのない入力計画からアクションのコストを学習するアルゴリズム $LACFIP^k$ を紹介します。
$LACFIP^k$ がこのタスクをどのように解決できるかを示す理論的および経験的な結果を提供します。

要約(オリジナル)

Most of the work on learning action models focus on learning the actions’ dynamics from input plans. This allows us to specify the valid plans of a planning task. However, very little work focuses on learning action costs, which in turn allows us to rank the different plans. In this paper we introduce a new problem: that of learning the costs of a set of actions such that a set of input plans are optimal under the resulting planning model. To solve this problem we present $LACFIP^k$, an algorithm to learn action’s costs from unlabeled input plans. We provide theoretical and empirical results showing how $LACFIP^k$ can successfully solve this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google