Graph Learning for Numeric Planning

要約

グラフ学習は、計画領域で示されるリレーショナル構造を活用し、任意の数のオブジェクトを含む計画インスタンスを入力として取得できるため、記号的なオブジェクト中心の計画での使用に当然適しています。
数値計画は記号計画の拡張であり、州も数値変数を示すことができるようになりました。
この研究では、数値計画タスクを解決するための学習のための、データ効率が高く解釈可能な機械学習モデルを提案します。
これには、連続属性とカテゴリ属性の両方を持つグラフ用の新しいグラフ カーネルの構築と、数値計画のためのヒューリスティック関数を学習するための新しい最適化方法が含まれます。
実験の結果、グラフ カーネルは、数値計画においてグラフ ニューラル ネットワークよりもはるかに効率的で一般化が優れており、また、ドメインに依存しない数値プランナーと比較して、競合するカバレッジ パフォーマンスが得られることが示されています。
コードは https://github.com/DillonZChen/goose で入手できます。

要約(オリジナル)

Graph learning is naturally well suited for use in symbolic, object-centric planning due to its ability to exploit relational structures exhibited in planning domains and to take as input planning instances with arbitrary numbers of objects. Numeric planning is an extension of symbolic planning in which states may now also exhibit numeric variables. In this work, we propose data-efficient and interpretable machine learning models for learning to solve numeric planning tasks. This involves constructing a new graph kernel for graphs with both continuous and categorical attributes, as well as new optimisation methods for learning heuristic functions for numeric planning. Experiments show that our graph kernels are vastly more efficient and generalise better than graph neural networks for numeric planning, and also yield competitive coverage performance compared to domain-independent numeric planners. Code is available at https://github.com/DillonZChen/goose

arxiv情報

提供元, 利用サービス

arxiv.jp, Google