基于不完整 STRIPS 模型扩展 ML 黑盒规划的可扩展性
人工智能
2022-07-12 v1 计算与语言
机器学习
摘要
序贯决策的一种流行方法是执行基于模拟器的搜索,并以机器学习(ML)方法(如策略学习)引导。另一方面,若具备完整的声明式模型,模型松弛启发式可有效引导搜索。在本工作中,我们考量实践者如何在无完整符号模型可用的设定下改进基于 ML 的黑盒规划。我们表明,指定仅描述问题部分的不完整 STRIPS 模型即可启用松弛启发式。我们在若干规划领域上的发现表明,这是超越收集更多数据或调优 ML 架构来改进基于 ML 的黑盒规划的有效途径。
引用
@article{arxiv.2207.04479,
title = {Scaling up ML-based Black-box Planning with Partial STRIPS Models},
author = {Matias Greco and Álvaro Torralba and Jorge A. Baier and Hector Palacios},
journal= {arXiv preprint arXiv:2207.04479},
year = {2022}
}
备注
10 pages. Presented in workshops: RDDPS @ ICAPS 2022 and PRL @ IJCAI 2022