arXiv cs.AI· Rajesh Mangannavar, Pranay Dugar, Prasad Tadepalli·· 14 小时前AI 评分27
GADAR：用动作排序实现经典规划跨域泛化
GADAR: Generalizing Across Domains via Action Ranking for Classical Planning
AI 导读
GADAR 提出一种以域描述为输入的策略 π(s, G, D)，无需搜索即可在训练中未见过的域上构造接地动作，同一网络可运行于所有域。在八个基准域的留一域零样本测试中，单策略解决 58.3% 测试实例，仅比专用单域模型低 1 个百分点；零样本平均解决 22.6%，随机选择为 3.3%，去掉链层的同表示仅 0.6%，在留出的 Visitall 上达 68%。
正文 · AI 翻译
摘要：经典规划的学习策略无需搜索即可行动，但每个策略都与其训练时所在的领域绑定：按动作模式划分的网络模块、按谓词划分的参数，或词汇表大小的编码，意味着训练好的策略甚至无法在新领域的谓词和动作模式上执行。我们提出 GADAR（通过动作排序实现跨领域泛化），这是一种以领域描述为输入的策略，{\pi}(s, G, D)，无需搜索即可在训练中从未见过的领域中构造接地动作。符号由其在领域中扮演的角色而非名称来描述，分为三层，每层都扩展前一层：(i) 提升领域层通过结构签名将 D 嵌入每个状态图；(ii) 绑定层将每个接地动作的适用性与其所实例化的提升前提条件联系起来；(iii) 链层说明哪个模式产生另一个模式所需的内容，以及每个模式距离目标有多远。因此，同一个网络可以在每个领域上运行，无论是否见过。我们在八个基准领域上评估留一领域零样本泛化。一个在七个领域上训练的单一 GADAR 策略解决了其测试实例的 58.3%，比专门的单领域 GADAR 模型的 59.3% 低一个百分点，因此一个策略可以服务多个领域而不损失覆盖率；一个在其权重中保留符号身份的多任务对照，虽然在其训练的部分领域上表现强劲，但无法迁移到任何留出领域。零样本情况下，GADAR 在每个留出领域上执行，并在所有八个领域的大型测试实例上超过同一执行器下的随机选择：平均解决 22.6%，而随机选择为 3.3%，没有链层的相同表示为 0.6%，在留出的 Visitall 上达到 68%。尽管如此，零样本覆盖率在大多数领域上仍远低于域内覆盖率，我们分析了其最薄弱的环节。
| 评论： | 15 页，2 幅图，15 页中有 4 页为附录 |
| 主题： | 人工智能（cs.AI） |
| ACM 分类： | I.2.6；I.2.9 |
| 引用为： | arXiv:2610.34868 [cs.AI] |
| （或此版本的 arXiv:2610.34868v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.34868 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Rajesh Mangannavar [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 05:30:31 UTC（524 KB）
来源：arXiv cs.AI · arxiv.org