Buchumschlag

Efficient Lookahead Encoding and Abstracted Width for Learning General Policies in Classical Planning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Aichmüller, Michael, Ståhlberg, Simon, Funkquist, Martin, Geffner, Hector
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

Learning More Expressive General Policies for Classical Planning Domains
von: Ståhlberg, Simon, et al.
Veröffentlicht: (2024)

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

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)

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

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

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

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

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

Learning Lifted STRIPS Models from Action Traces Alone: A Simple, General, and Scalable Solution
von: Gösgens, Jonas, et al.
Veröffentlicht: (2024)

Learning Lifted Action Models From Traces of Incomplete Actions and States
von: Jansen, Niklas, et al.
Veröffentlicht: (2025)

Learning Lifted Action Models from Traces with Minimal Information About Actions and States
von: Gösgens, Jonas, et al.
Veröffentlicht: (2026)

Policy Mirror Descent with Lookahead
von: Protopapas, Kimon, et al.
Veröffentlicht: (2024)

POrTAL: Plan-Orchestrated Tree Assembly for Lookahead
von: Conway, Evan, et al.
Veröffentlicht: (2025)

Imagine-then-Plan: Agent Learning from Adaptive Lookahead with World Models
von: Liu, Youwei, et al.
Veröffentlicht: (2026)

Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
von: Elimelech, Khen, et al.
Veröffentlicht: (2024)

Learning with Foresight: Enhancing Neural Routing Policy via Multi-Node Lookahead Prediction
von: Jiang, Xia, et al.
Veröffentlicht: (2026)

Policy Gradient with Tree Search: Avoiding Local Optimas through Lookahead
von: Koren, Uri, et al.
Veröffentlicht: (2025)

Lookahead Counterfactual Fairness
von: Zuo, Zhiqun, et al.
Veröffentlicht: (2024)

Constrained Decoding with Speculative Lookaheads
von: Nakshatri, Nishanth, et al.
Veröffentlicht: (2024)

Learning and Reusing Policy Decompositions for Hierarchical Generalized Planning with LLM Agents
von: Sohrabi, Shirin, et al.
Veröffentlicht: (2026)

ProAct: Agentic Lookahead in Interactive Environments
von: Yu, Yangbin, et al.
Veröffentlicht: (2026)

Pseudo-Boolean Proof Logging for Optimal Classical Planning
von: Dold, Simon, et al.
Veröffentlicht: (2025)

LLM-Evolved Pattern Generators for Optimal Classical Planning
von: Phung, Windy, et al.
Veröffentlicht: (2026)

Lookahead Drifting Model
von: Zhang, Guoqiang, et al.
Veröffentlicht: (2026)

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

Lookahead Pathology in Monte-Carlo Tree Search
von: Nguyen, Khoi P. N., et al.
Veröffentlicht: (2022)

Dynamic-Width Speculative Beam Decoding for Efficient LLM Inference
von: Qin, Zongyue, et al.
Veröffentlicht: (2024)

From Next Token Prediction to (STRIPS) World Models
von: Núñez-Molina, Carlos, et al.
Veröffentlicht: (2025)

LookaheadKV: Fast and Accurate KV Cache Eviction by Glimpsing into the Future without Generation
von: Ahn, Jinwoo, et al.
Veröffentlicht: (2026)

Learning to Plan Before Answering: Self-Teaching LLMs to Learn Abstract Plans for Problem Solving
von: Zhang, Jin, et al.
Veröffentlicht: (2025)

OledFL: Unleashing the Potential of Decentralized Federated Learning via Opposite Lookahead Enhancement
von: Li, Qinglun, et al.
Veröffentlicht: (2024)

Learning Abstract World Model for Value-preserving Planning with Options
von: Rodriguez-Sanchez, Rafael, et al.
Veröffentlicht: (2024)

On the Diminishing Returns of Width for Continual Learning
von: Guha, Etash, et al.
Veröffentlicht: (2024)

On Sample-Efficient Generalized Planning via Learned Transition Models
von: Gupta, Nitin, et al.
Veröffentlicht: (2026)

Lookahead: An Inference Acceleration Framework for Large Language Model with Lossless Generation Accuracy
von: Zhao, Yao, et al.
Veröffentlicht: (2023)

Lookahead Unmasking Elicits Accurate Decoding in Diffusion Language Models
von: Lee, Sanghyun, et al.
Veröffentlicht: (2025)

Dynamic Lookahead Distance via Reinforcement Learning-Based Pure Pursuit for Autonomous Racing
von: Elgouhary, Mohamed, et al.
Veröffentlicht: (2026)