Buchumschlag

Learning More Expressive General Policies for Classical Planning Domains

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ståhlberg, Simon, Bonet, Blai, Geffner, Hector
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning General Policies with Policy Gradient Methods
von: Ståhlberg, Simon, et al.
Veröffentlicht: (2025)

Symmetries and Expressive Requirements for Learning General Policies
von: Drexler, Dominik, et al.
Veröffentlicht: (2024)

Learning General Policies From Examples
von: Bonet, Blai, et al.
Veröffentlicht: (2025)

On Policy Reuse: An Expressive Language for Representing and Executing General Policies that Call Other Policies
von: Bonet, Blai, et al.
Veröffentlicht: (2024)

Learning Generalized Policies for Fully Observable Non-Deterministic Planning Domains
von: Hofmann, Till, et al.
Veröffentlicht: (2024)

Efficient Lookahead Encoding and Abstracted Width for Learning General Policies in Classical Planning
von: Aichmüller, Michael, et al.
Veröffentlicht: (2026)

Differentiable Learning of Lifted Action Schemas for Classical Planning
von: Reiter, Jonas, et al.
Veröffentlicht: (2026)

First-Order Representation Languages for Goal-Conditioned RL
von: Ståhlberg, Simon, et al.
Veröffentlicht: (2025)

Learning to Ground Existentially Quantified Goals
von: Funkquist, Martin, et al.
Veröffentlicht: (2024)

Towards Principled Graph Transformers
von: Müller, Luis, et al.
Veröffentlicht: (2024)

Sketch Decompositions for Classical Planning via Deep Reinforcement Learning
von: Aichmüller, Michael, et al.
Veröffentlicht: (2024)

EXPO: Stable Reinforcement Learning with Expressive Policies
von: Dong, Perry, et al.
Veröffentlicht: (2025)

Will More Expressive Graph Neural Networks do Better on Generative Tasks?
von: Zou, Xiandong, et al.
Veröffentlicht: (2023)

Learning to Search and Searching to Learn for Generalization in Planning
von: Aichmüller, Michael, et al.
Veröffentlicht: (2026)

More Expressive Attention with Negative Weights
von: Lv, Ang, et al.
Veröffentlicht: (2024)

Understanding Sample Generation Strategies for Learning Heuristic Functions in Classical Planning
von: Bettker, R. V., et al.
Veröffentlicht: (2022)

Q-Flow: Stable and Expressive Reinforcement Learning with Flow-Based Policy
von: Doo, JaeHyeok, et al.
Veröffentlicht: (2026)

More Expressive Feedforward Layers: Part I. Token-Adaptive Mixing of Activations
von: Wang, Mingze, et al.
Veröffentlicht: (2026)

Learning Expressive Priors for Generalization and Uncertainty Estimation in Neural Networks
von: Schnaus, Dominik, et al.
Veröffentlicht: (2023)

Level Generation with Constrained Expressive Range
von: Bazzaz, Mahsa, et al.
Veröffentlicht: (2025)

CaRL: Learning Scalable Planning Policies with Simple Rewards
von: Jaeger, Bernhard, et al.
Veröffentlicht: (2025)

Understanding Expressivity of GNN in Rule Learning
von: Qiu, Haiquan, et al.
Veröffentlicht: (2023)

Classical Planning with LLM-Generated Heuristics: Challenging the State of the Art with Python Code
von: Corrêa, Augusto B., et al.
Veröffentlicht: (2025)

Are Expressive Encoders Necessary for Discrete Graph Generation?
von: Revolinsky, Jay, et al.
Veröffentlicht: (2026)

Predicting Compact Phrasal Rewrites with Large Language Models for ASR Post Editing
von: Zhang, Hao, et al.
Veröffentlicht: (2025)

Per-Domain Generalizing Policies: On Validation Instances and Scaling Behavior
von: Gros, Timo P., et al.
Veröffentlicht: (2025)

Building Expressive and Tractable Probabilistic Generative Models: A Review
von: Sidheekh, Sahil, et al.
Veröffentlicht: (2024)

Domain Adversarial Active Learning for Domain Generalization Classification
von: Chen, Jianting, et al.
Veröffentlicht: (2024)

Per-Domain Generalizing Policies: On Learning Efficient and Robust Q-Value Functions (Extended Version with Technical Appendix)
von: Müller, Nicola J., et al.
Veröffentlicht: (2026)

Limits of Actor-Critic Algorithms for Decision Tree Policies Learning in IBMDPs
von: Kohler, Hector, et al.
Veröffentlicht: (2023)

Relating tSNE and UMAP to Classical Dimensionality Reduction
von: Draganov, Andrew, et al.
Veröffentlicht: (2023)

Planning with a Learned Policy Basis to Optimally Solve Complex Tasks
von: Infante, Guillermo, et al.
Veröffentlicht: (2024)

Learning More with Less: A Dynamic Dual-Level Down-Sampling Framework for Efficient Policy Optimization
von: Wang, Chao, et al.
Veröffentlicht: (2025)

Interpretable and Editable Programmatic Tree Policies for Reinforcement Learning
von: Kohler, Hector, et al.
Veröffentlicht: (2024)

Evaluating Interpretable Reinforcement Learning by Distilling Policies into Programs
von: Kohler, Hector, et al.
Veröffentlicht: (2025)

Domain-Generalization to Improve Learning in Meta-Learning Algorithms
von: Anjum, Usman, et al.
Veröffentlicht: (2025)

Generating Expressive and Customizable Evals for Timeseries Data Analysis Agents with AgentFuel
von: Maddi, Aadyaa, et al.
Veröffentlicht: (2026)

Policy-Based Trajectory Clustering in Offline Reinforcement Learning
von: Hu, Hao, et al.
Veröffentlicht: (2025)

Proposing Hierarchical Goal-Conditioned Policy Planning in Multi-Goal Reinforcement Learning
von: Rens, Gavin B.
Veröffentlicht: (2025)

IPD: Boosting Sequential Policy with Imaginary Planning Distillation in Offline Reinforcement Learning
von: Qin, Yihao, et al.
Veröffentlicht: (2026)