可扩展规划的组合蒙特卡罗树扩散
机器学习
2026-01-07 v2
摘要
蒙特卡洛树扩散（MCTD）将扩散模型与结构化树搜索相结合，以通过分步推理实现有效的轨迹探索。然而，MCTD 仍然受限于训练轨迹长度。虽然定期重规划允许计划拼接以实现更长的计划生成，但规划过程仍受局部限制，因为 MCTD 在单个轨迹内部进行搜索，而无法获取全局上下文。我们提出了组合蒙特卡洛树扩散（C-MCTD），一个将规划从单个轨迹优化提升到对完整计划组合进行推理的框架。C-MCTD 引入了三个互补组件：（1）在线作曲家，能够通过搜索整个计划组合来进行全局感知的规划；（2）分布式作曲家，通过从多个起始点进行并行探索来降低搜索复杂度；（3）预规划作曲家，通过利用已缓存的计划图来加速推断。
引用
@article{arxiv.2510.21361,
title = {Compositional Monte Carlo Tree Diffusion for Extendable Planning},
author = {Jaesik Yoon and Hyeonseo Cho and Sungjin Ahn},
journal= {arXiv preprint arXiv:2510.21361},
year = {2026}
}
备注
24 pages, 4 figures, NeurIPS 25 Spotlight