Approaching Generalized Planning using Deep Reinforcement Learning and Graph Neural Networks
[ES] Uno de los grandes retos de la Inteligencia Artificial ha sido y sigue siendo la capacidad de inferir soluciones dadas instancias pequeñas de un problema, o incluso subproblemas, que puedan generalizar hacia otras de tamaño mayor. El objetivo de la Planificación Generalista en el campo de la Pl...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Data de publicação: | 2022 |
| País: | España |
| Recursos: | Universitat Politècnica de València (UPV) |
| Repositório: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | espanhol |
| OAI Identifier: | oai:riunet.upv.es:10251/187625 |
| Acesso em linha: | https://riunet.upv.es/handle/10251/187625 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Inteligencia artificial Planificación automática Planificación generalista Aprendizaje por refuerzo profundo Redes neuronales de grafos Artificial intelligence Automated planning Generalized planning Deep reinforcement learning Graph neural networks LENGUAJES Y SISTEMAS INFORMATICOS Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·ligència Artificial, Reconeixement de Formes i Imatge Digital |
| Resumo: | [ES] Uno de los grandes retos de la Inteligencia Artificial ha sido y sigue siendo la capacidad de inferir soluciones dadas instancias pequeñas de un problema, o incluso subproblemas, que puedan generalizar hacia otras de tamaño mayor. El objetivo de la Planificación Generalista en el campo de la Planificación Automática es, precisamente, encontrar principios generales válidos más allá de los datos que se han utilizado para encontrarlos. En este trabajo, ofrecemos un acercamiento basado en Deep Reinforcement Learning (DRL), en el cual se ha intentado aprender una política capaz de resolver instancias de problemas complejos a partir del aprendizaje de la estructura subyacente del dominio con problemas más pequeños del mismo. Esto se ha conseguido utilizando una representación concreta de las tareas de planificación a través de un grafo, el cual codifica su estructura. En particular, se han utilizado Graph Neural Networks (GNN), que son un tipo concreto de Red Neuronal capaz de trabajar directamente con grafos y que usa esta misma estructura para sacar la máxima información del problema. Con todo esto, se verá que la política aprendida gracias mediante las técnicas DRL y GNN generaliza bien hacia instancias de varios órdenes de magnitud superiores que con los que se había entrenado. |
|---|