Learning Efficiency Meets Symmetry Breaking

要約

グラフのニューラルネットワークを活用する学習ベースのプランナーは、大規模な検索スペースに適用される検索ガイダンスを学ぶことができますが、対称性に対処する可能性はほとんど未踏のままです。
このホワイトペーパーでは、検索中に対称性を管理するように設計された2つの剪定方法、アクションプルーニングと状態剪定とともに、対称性を検出する能力とともに、学習効率を調和させる計画問題のグラフ表現を紹介します。
これらの手法をFast Downwardに統合すると、最新のIPC学習トラックデータセットでラマを初めて成功させます。
コードはhttps://github.com/bybeye/distincterでリリースされます。

要約(オリジナル)

Learning-based planners leveraging Graph Neural Networks can learn search guidance applicable to large search spaces, yet their potential to address symmetries remains largely unexplored. In this paper, we introduce a graph representation of planning problems allying learning efficiency with the ability to detect symmetries, along with two pruning methods, action pruning and state pruning, designed to manage symmetries during search. The integration of these techniques into Fast Downward achieves a first-time success over LAMA on the latest IPC learning track dataset. Code is released at: https://github.com/bybeye/Distincter.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google