ASNets：用于广义规划的深度学习
人工智能
2020-05-06 v2
摘要
在本文中，我们讨论使用动作模式网络（Action Schema Networks，ASNets）为概率与经典规划问题学习广义策略。ASNet 是一种神经网络架构，它利用 (P)PDDL 规划问题的关系结构来学习一组可应用于领域中任意问题的公共权重。通过在领域中少数小问题上模仿传统非学习式规划器所选择的动作，ASNets 能够学习一种广义反应式策略，可快速求解该领域中大得多的实例。本工作扩展了 ASNet 架构以使其更具表达力，同时仍保持对 PPDDL 问题中存在的一系列对称性的不变性。我们还给出了对 ASNets 的详尽实验评估，包括与启发式搜索规划器在七个概率与确定性领域上的比较、在超过 18,000 个 Blocksworld 实例上的扩展评估，以及一项消融研究。最后，我们表明稀疏性诱导正则化能够产生紧凑到足以让人理解的 ASNets，从而揭示 ASNets 的结构如何使其能在领域内泛化的见解。
引用
@article{arxiv.1908.01362,
title = {ASNets: Deep Learning for Generalised Planning},
author = {Sam Toyer and Felipe Trevizan and Sylvie Thiébaux and Lexing Xie},
journal= {arXiv preprint arXiv:1908.01362},
year = {2020}
}
备注
Journal extension of AAAI'18 paper (arXiv:1709.04271)