[논문 리뷰] Discovering Underlying Plans Based on Distributed Representations of Actions

Xin Tian, Hankz Hankui Zhuo외 1명|arXiv (Cornell University)|2015. 11. 18.

AI-based Problem Solving and Planning참고 문헌 21인용 수 7

한 줄 요약

이 논문은 스킵그램 모델을 사용하여 계획 코퍼스에서 행동의 분산 벡터 표현을 학습하는 새로운 계획 인식 방법인 DUP를 제안한다. 이 방법은 완전한 도메인 모델이나 계획 라이브러리가 필요 없이 관측되지 않은 계획을 인식할 수 있도록 한다. 이론적 방법은 행동 벡터에 대한 기대값 최대화를 통해 관측되지 않은 행동의 가능성을 추론하며, 세 가지 도메인에서 전통적인 방법보다 우수한 성능을 보이며, 제한된 데이터로부터 계획의 구조를 효과적으로 포착한다.

ABSTRACT

Plan recognition aims to discover target plans (i.e., sequences of actions) behind observed actions, with history plan libraries or domain models in hand. Previous approaches either discover plans by maximally "matching" observed actions to plan libraries, assuming target plans are from plan libraries, or infer plans by executing domain models to best explain the observed actions, assuming complete domain models are available. In real world applications, however, target plans are often not from plan libraries and complete domain models are often not available, since building complete sets of plans and complete domain models are often difficult or expensive. In this paper we view plan libraries as corpora and learn vector representations of actions using the corpora; we then discover target plans based on the vector representations. Our approach is capable of discovering underlying plans that are not from plan libraries, without requiring domain models provided. We empirically demonstrate the effectiveness of our approach by comparing its performance to traditional plan recognition approaches in three planning domains.

연구 동기 및 목표

• 기존 계획 인식 방법이 완전한 도메인 모델 또는 사전 정의된 계획 라이브러리가 필요로 하는 한계를 해결하기 위해.
• 도메인 모델이 불완전하거나 가용하지 않은 인간-중심 계획 환경에서의 계획 인식을 가능하게 하기 위해.
• 이력 계획 시퀀스에서 얻은 얕은 분산 표현을 데이터 기반으로 스케일러블하게 학습하는 접근법을 개발하기 위해.
• 학습된 행동 의미를 바탕으로 가능한 다음 행동을 제안함으로써 실시간 의사결정 지원을 지원하기 위해.
• 벡터 기반 행동 표현이 관측되지 않은 계획에 대해서도 계획의 구조를 효과적으로 모델링하고 정확도를 향상시킬 수 있음을 입증하기 위해.

제안 방법

• 이 방법은 계획 라이브러리를 코퍼스로 간주하고, 행동 시퀀스에서 밀도 높은 행동 표현을 학습하기 위해 스킵그램 모델을 적용한다.
• 학습된 벡터 공간을 기반으로 각 관측되지 않은 행동을 가능한 행동들의 분포로 모델링하여 의미적 및 순차적 맥락을 포착한다.
• 관측된 계획의 가능도를 최대화함으로써 관측되지 않은 행동의 가장 가능성이 높은 시퀀스를 동시에 추론하기 위해 기대값 최대화 알고리즘을 사용한다.
• 이 방법은 전제-효과 모델이나 공식 도메인 모델에 의존하지 않으며, 대신 원시 행동 시퀀스에서 학습한다.
• 벡터 유사도와 맥락 가능성에 기반하여 각 누락된 단계에 대한 후보 행동을 순위 매김함으로써 계획 완성 지원을 한다.
• 이 프레임워크는 점진적 설계로, 반복적인 인간-중심 계획 보완을 지원한다.

실험 결과

연구 질문

• RQ1 계획 코퍼스에서 학습된 행동의 분산 표현이 완전한 도메인 모델이 없이도 계획 인식을 효과적으로 지원할 수 있는가?
• RQ2 벡터 기반 모델은 원래 계획 라이브러리에 존재하지 않는 관측되지 않은 계획을 얼마나 잘 인식할 수 있는가?
• RQ3 제안된 방법은 STRIPS 스타일 모델이나 계획 라이브러리 매칭에 의존하는 전통적인 계획 인식 기법보다 뛰어난 성능을 보일 수 있는가?
• RQ4 학습된 벡터 공간이 행동 시퀀스의 의미적 및 순차적 구조를 얼마나 잘 포착하는가?
• RQ5 실시간 상호작용 계획 환경에서 이 방법은 정확한 다음 행동을 얼마나 효과적으로 제안할 수 있는가?

주요 결과

• DUP는 원래 계획 라이브러리에 존재하지 않는 기반 계획을 성공적으로 발견하여, 라이브러리 매칭을 초월한 일반화 능력을 입증한다.
• 블록스월드를 포함한 세 가지 계획 도메인에서 전통적인 계획 인식 방법과 비교해 경쟁력 있거나 뛰어난 성능을 달성한다.
• 스킵그램을 통해 학습된 벡터 표현은 행동 시퀀스에서 의미적이고 문법적인 패턴을 효과적으로 포착하여 누락된 행동의 정확한 추론을 가능하게 한다.
• 완전한 도메인 모델에 대한 의존도를 크게 감소시켜, 이러한 모델이 흔히 확보되지 않는 실제 인간-중심 계획 환경에 적합하다.
• 대부분의 경우, 메서드는 상위 m개의 추천 항목 내에서 정확한 다음 행동을 효과적으로 제안하여 효율적인 인간의 의사결정을 지원한다.
• 실험 결과는 학습된 행동 벡터가 계획 인식과 완성에 있어 강력한 성능을 내기 위해 충분한 구조적 정보를 포함하고 있음을 확인한다.