BriefGPT - AI 论文速递
·
深度学习在具有背景知识的广义规划中的应用
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本研究提出了一种新方法WL-GOOSE，通过图表示和WL算法生成特征，与传统机器学习结合，参数和训练速度优于深度学习模型。在10个领域中，WL-GOOSE的覆盖率优于或与LAMA相当，计划质量在4个领域中更好。这是首次在学习规划模型中取得显著成就，并探讨了WL特征生成与其他学习架构的关系。
🎯
关键要点
- 当前学习规划方法在多个领域无法与经典规划器竞争，综合性能较差。
- 本研究提出WL-GOOSE方法，通过图表示和WL算法生成特征。
- WL-GOOSE与传统机器学习结合，参数数量比深度学习模型少两个数量级，训练速度快三个数量级。
- WL-GOOSE在公平竞争环境中优于$h^{ ext{FF}}$启发式。
- 在10个领域中，WL-GOOSE的覆盖率优于或与LAMA持平，计划质量在4个领域中更好。
- WL-GOOSE是第一个在学习规划模型中取得显著成就的模型。
- 研究探讨了WL特征生成与其他学习架构的关系。
➡️
