通过空间泛化应对3D平面规划中的大规模动作空间
机器学习
2026-03-25 v3 计算工程、金融与科学
摘要
许多近期的机器学习方法将平面规划的决策表示为离散画布坐标，随着动作空间的扩大，这会导致规模瓶颈。本文研究在3D平面规划中学习连续动作表示的效果。通过在连续放置空间中推理，并仅在推理时进行离散化，我们的方法将输出结构与画布分辨率解耦，使得在大规模设计空间中学习和推理更加可行。我们方法的核心思想是“L-动作相似性”：在放置空间中彼此接近的动作往往产生相似的收益。这种平滑性诱导出一种有用的结构偏置，使模型能够从一个决策泛化到附近的决策。作为案例研究，我们展示了该方法能够在仅在随机平面规划上预训练的情况下学习构建平面规划。我们的结果表明，连续决策空间是应对平面规划中大规模动作空间的有前景的方向。
引用
@article{arxiv.2406.10538,
title = {Addressing Large Action Spaces in 3D Floorplanning via Spatial Generalization},
author = {Fin Amin and Nirjhor Rouf and Tse-Han Pan and Sounak Dutta and Md Kamal Ibn Shafi and Paul D. Franzon},
journal= {arXiv preprint arXiv:2406.10538},
year = {2026}
}
备注
Preprint