NeSIG：一种用于学习生成规划问题的神经符号方法
人工智能
2025-01-07 v2
摘要
在自动规划领域，常常需要来自特定领域的一组规划问题，例如用作机器学习的训练数据或规划竞赛的基准。在大多数情况下，这些问题由人工创建或借助领域专用生成器生成，给人类设计者带来负担。本文提出NeSIG，据我们所知，这是首个自动生成有效、多样且难解的规划问题的领域无关方法。我们将问题生成建模为马尔可夫决策过程，并采用深度强化学习训练两个生成策略，以生成具备所需性质的问题。我们在三个经典领域上开展实验，将我们的方法与手工设计的领域专用实例生成器及多种消融设置进行比较。结果表明，NeSIG能够自动生成有效且多样的问题，其难度（几何平均）比领域专用生成器高出15.5倍，同时相比后者减少了人力投入。此外，它还能泛化到比训练时所见更大的问题。
引用
@article{arxiv.2301.10280,
title = {NeSIG: A Neuro-Symbolic Method for Learning to Generate Planning Problems},
author = {Carlos Núñez-Molina and Pablo Mesejo and Juan Fernández-Olivares},
journal= {arXiv preprint arXiv:2301.10280},
year = {2025}
}
备注
15 pages, 9 figures