新的GADAR策略实现了经典规划中的零样本泛化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了GADAR，这是一种用于经典规划的新型策略，可以在不同领域之间进行泛化，而无需搜索。与将策略绑定到特定领域的先前方法不同，GADAR将领域描述作为输入，并在未见过的领域中构建基础动作。这是通过一个三层方法实现的：用于结构签名的提升领域层、用于动作适用性的绑定层以及用于跟踪模式依赖性的链层。在评估中，在七个基准领域上训练的单一GADAR策略实现了58.3%的零样本泛化，性能接近于专用的单领域模型。 AI

影响这项研究可能导致更具适应性的AI规划系统，减少领域特定的训练。

排序理由该集群包含一篇详细介绍经典规划新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍经典规划新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Rajesh Mangannavar, Pranay Dugar, Prasad Tadepalli · 2026-10-27 04:00

GADAR：通过动作排序实现经典规划的跨领域泛化

arXiv:2610.34868v1 Announce Type: new Abstract: Learned policies for classical planning act without search, but each is tied to the domain it was trained on: network modules per action schema, parameters per predicate, or vocabulary-sized encodings mean a trained policy cannot ev…

本文如何被排名

报道来源 [1]

GADAR：通过动作排序实现经典规划的跨领域泛化

相关实体

相关话题