[論文レビュー] SLIM: Semi-Lazy Inference Mechanism for Plan Recognition

Reuth Mirsky, Kobi Gal+1 more|arXiv (Cornell University)|Mar 2, 2017

AI-based Problem Solving and Planning参考文献 24被引用数 11

ひとこと要約

SLIM は、オンライン計画認識のための新しい準ラクティブラーニング推論メカニズムであり、下位互換の計画断片の構築と上位互換の仮説精錬を組み合わせる。PHATT や他の最先端手法と比較して、計算量を最大で10倍も削減し、実行時間も著しく短縮されている。完全性を維持しつつ、インクリメンタルで最小限のコミットメントに基づく計画組み立てと、確率的順序付けによる効率的な仮説 pruning を通じて、リアルタイムでの認識を可能にする。

ABSTRACT

Plan Recognition algorithms require to recognize a complete hierarchy explaining the agent's actions and goals. While the output of such algorithms is informative to the recognizer, the cost of its calculation is high in run-time, space, and completeness. Moreover, performing plan recognition online requires the observing agent to reason about future actions that have not yet been seen and maintain a set of hypotheses to support all possible options. This paper presents a new and efficient algorithm for online plan recognition called SLIM (Semi-Lazy Inference Mechanism). It combines both a bottom-up and top-down parsing processes, which allow it to commit only to the minimum necessary actions in real-time, but still provide complete hypotheses post factum. We show both theoretically and empirically that although the computational cost of this process is still exponential, there is a significant improvement in run-time when compared to a state of the art of plan recognition algorithm.

研究の動機と目的

• リアルタイム環境における既存のオンライン計画認識アルゴリズムの高い計算コストとスケーラビリティの限界を解決すること。
• 下位互換の断片的構築と上位互換の目的推論を組み合わせることで、効率的でインクリメンタルな計画認識を実現すること。
• 仮説の完全性を損なわせることなく、推論中に考慮する計画の組み合わせ数を削減すること。
• サイバー攻撃対応、医療プロトコルの監視、教育ソフトウェアなど、動的領域におけるリアルタイム認識を可能にすること。
• 時間の経過とともに次第に洗練される目的仮説を提供できる実用的で anytime アルゴリズムを提供すること。

提案手法

• SLIM は、観察された行動を説明する最小限の計画断片を段階的に構築する下位互換のパース処理を用い、最小限のコミットメント戦略に従う。
• 新しい観察ごとに更新される局所的で浅い仮説の集合を維持し、事前に完全な計画木を構築するのを避ける。
• 上位互換の推論ステップでは、確率的スコアリングと整合性チェックを用いて、下位互換の断片を目的を根とする計画に順序付け・精錬する。
• アルゴリズムはハイブリッドアーキテクチャを採用しており、下位互換によるリアルタイム効率性と、上位互換による目的レベルの完全性を両立する。
• 文法ベースの計画ライブラリを活用し、最も可能性の高い仮説を優先順位づけるための判別的再順序付けメカニズムを用いる。
• anytime 実行をサポートしており、観察が増えるにつれて、次第に完成度の高い目的仮説を段階的に出力できる。

実験結果

リサーチクエスチョン

• RQ1 下位互換と上位互換のハイブリッドアプローチは、オンライン計画認識中に考慮する計画の組み合わせ数を削減できるか？
• RQ2 最小限のコミットメントによる断片的構築と、遅延された目的推論を組み合わせることで、完全性を損なわず実行時間の性能向上が達成できるか？
• RQ3 PHATT や他の最先端手法と比較して、SLIM の実行時間、仮説数、計算複雑度の観点での性能はどの程度か？
• RQ4 下位互換推論のみで、リアルタイムに実用的なインサイトを提供できる限界はどこか？また、いつ上位互換の精錬が必要になるか？
• RQ5 SLIM は、時間の経過とともに目的仮説の品質を段階的に向上させる anytime アルゴリズムとして設計可能か？

主な発見

• SLIM は PHATT と比較して、考慮する組み合わせ数を90％削減した（p ≤ 0.05）。これは、計算効率の統計的に有意な向上を示している。
• SLIM の実行時間は、観察ステップのすべてにおいて PHATT よりも著しく速く、p ≤ 0.05 であった。これは、全シーケンス長にわたり優れた性能を発揮していることを示している。
• SLIM が維持する仮説の平均数は PHATT と同等であったが、組み合わせ数がはるかに少なかったため、探索空間のプルーニングがより効率的であった。
• SLIM-0（下位互換のみ）は PHATT よりも速く、SLIM-100（上位互換で上位100個の仮説を使用）も PHATT より速く、目的レベルのインサイトを提供した。
• すべての仮説を目的を根とする計画にコンパイルする完全版 SLIM は、実行時間に若干の増加を示したが、実用的なオンライン利用に耐えうるスケーラビリティを維持した。
• SLIM は、必要な局所的計画断片のみを維持することで、リアルタイム認識を可能にした。目的レベルの仮説は、必要に応じて上位互換の精錬によってオンデマンドで提供される。