Conflict-Driven Learning in AI Planning State-Space Search - Code and Benchmarks
Notice bibliographique
Résumé
This archive encompasses the source code, the benchmarks, and the experiment scripts, accompanying our work on conflict-driven learning in state-space search in classical and probabilistic planning. The source code is based on the Fast Downward (FD) classical planning system https://fast-downward.org/, and features extensions to support MDP goal-probability analysis; state-space search methods (both for the deterministic and the probabilistic case) to identify conflicts, i.e., dead-end states, during the search for a solution; and various dead-end detection (mostly based on classical planning heuristics) and refinement algorithms, used for pruning recognized dead-end states during search, respectively for improving the dead-end detector by learning from the identified conflicts. The benchmarks are composed of A PPDDL benchmark collection, which aggregates known IPPC benchmarks (with minor modifications addressing unsupported features); newly generated network penetration testing benchmarks; as well as Canadian (adding ``road-graph uncertainty'') variants of well-known classical-planning resource-constrained benchmarks (NoMystery, Rovers, TPP). A collection of solvable classical planning benchmarks containing dead-end states, aggregating known IPC and resource-constraint benchmarks. A collection of unsolvable classical planning benchmarks, comprising the UIPC benchmarks and unsolvable variants of the resource-constrained benchmarks from the solvable part. The experiment scripts should allow reproducing our results. (Some external planners to which we compare are however not included, and need to be downloaded separately.)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».