[论文解读] 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 11

一句话总结

SLIM 是一种用于在线计划识别的新型半懒惰推理机制，结合自底向上的计划片段构建与自顶向下的假设精炼。与最先进的方法 PHATT 相比，其运行时间显著更快——计算量减少了一个数量级，同时保持了完备性，并通过增量式、最小承诺的计划组装以及基于概率排序的高效假设剪枝，实现了实时识别。

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.

研究动机与目标

• 解决现有在线计划识别算法在实时环境中计算成本高且可扩展性有限的问题。
• 通过结合自底向上的片段构建与自顶向下的目标推理，实现高效、增量式的计划识别。
• 在不牺牲假设完备性的情况下，减少推理过程中考虑的计划组合数量。
• 在动态领域（如网络攻击响应、医疗协议监控和教育软件）中支持实时识别。
• 提供一种实用的、可任意时间执行的算法，能够随时间推移逐步输出更完善的目標假设。

提出的方法

• SLIM 使用自底向上的解析过程，增量式地构建解释观测动作的最小计划片段，遵循最小承诺策略。
• 它维护一组局部的、浅层的假设，并在每次新观测后进行更新，避免提前构建完整的计划树。
• 通过概率评分和一致性检查，自顶向下的推理步骤对自底向上的片段进行排序与精炼，形成以目标为根的计划。
• 该算法采用混合架构：自底向上以实现运行时效率，自顶向下以确保目标层面的完备性。
• 它利用基于语法的计划库，并采用判别式重排序机制，优先处理最可能的假设。
• 系统支持任意时间执行，允许在更多观测到达时逐步输出越来越完整的目標假设。

实验结果

研究问题

• RQ1 混合使用自底向上与自顶向下方法是否能减少在线计划识别过程中考虑的计划组合数量？
• RQ2 将最小承诺的片段构建与延迟的目标推理相结合，是否能在不牺牲完备性的情况下提升运行时性能？
• RQ3 与最先进的算法 PHATT 相比，SLIM 在运行时间、假设数量和计算复杂度方面表现如何？
• RQ4 自底向上的推理在多大程度上能独立提供实时可操作的洞察？何时需要自顶向下的精炼？
• RQ5 SLIM 是否可以设计为一种任意时间算法，随时间推移逐步提升目標假设的质量？

主要发现

• 与 PHATT 相比，SLIM 考虑的组合数量减少了 90%（p ≤ 0.05），表明计算效率有统计学意义上的显著提升。
• SLIM 在每个观测步骤的运行时间均显著快于 PHATT（p ≤ 0.05），表明在所有序列长度下均表现出更优性能。
• SLIM 维持的平均假设数量与 PHATT 相当，但组合数量远少，表明其搜索空间剪枝更高效。
• SLIM-0（仅自底向上）比 PHATT 更快，而 SLIM-100（使用最可能的 100 个假设进行自顶向下处理）在保持更快运行时间的同时，提供了目标层面的洞察。
• 完整版 SLIM（将所有假设编译为以目标为根的计划）虽然运行时间有所增加，但仍具备实际在线应用的可扩展性。
• SLIM 通过仅维护必要的局部计划片段，实现了实时识别，同时可通过自顶向下的精炼按需提供目标层面的假设。