通过立方体空间先验学习神经-符号描述性规划模型：回归 STRIPS 之旅
人工智能
2020-08-13 v3 机器学习
摘要
我们在使智能体自主感知其环境的艰巨任务中达成了新的里程碑。我们的神经-符号架构以端到端方式训练，仅从图像中生成简洁有效的离散状态转移模型。我们的目标表示（规划领域定义语言）已具备现成求解器可直接消费的形式，并为丰富的现代启发式搜索能力开启大门。我们展示了在学习过程中所施加的精细先天先验如何显著降低所学表示的复杂度，并揭示其与图论中“类立方体图”概念的联系，从而为深入理解所学符号表示的理想性质打开大门。我们表明，强大的领域无关启发式使我们的系统能够求解超出盲搜可及范围的视觉 15-Puzzle 实例，而无需诉诸需大量领域相关奖励信息训练的强化学习（Reinforcement Learning）方法。
引用
@article{arxiv.2004.12850,
title = {Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS)},
author = {Masataro Asai and Christian Muise},
journal= {arXiv preprint arXiv:2004.12850},
year = {2020}
}
备注
Accepted in IJCAI 2020 main track (accept ratio 12.6%). The prequel of this paper, "The Search for STRIPS", can be found here: arXiv:1912.05492 . (update, 2020/08/11) We expanded the related work section