Relatorio: «Planificación xeralizada con redes neuronais gráficas»

Consideramos o problema da aprendizaxe de políticas xeneralizadas para dominios de planificación clásicos utilizando redes neuronais gráficas (GNN) a partir de pequenas instancias representadas en STRIPS . O problema considerouse con anterioridade, pero as arquitecturas neuronais propostas son complexas e os resultados adoitan ser contraditorios. Neste traballo, utilizamos unha arquitectura GNN sinxela e xeral e pretendemos que os resultados experimentais sexan nítidos e enténdanse: ou ben a política codiciosa na función de valor aprendida consegue unha xeneralización próxima ao 100% sobre instancias maiores que as do adestramento, ou ben o fallo debe entenderse, e posiblemente arranxarse, loxicamente. Para iso, explotamos a relación establecida entre o poder expresivo das GNNs e o fragmento C2 da lóxica de primeira orde (concretamente, FOL con 2 variables e cuantificadores de cálculo).

A charla está dirixida a un público xeral con coñecementos básicos de informática e intelixencia artificial.

Sobre o relator

Blai Bonet é profesor xubilado do Departamento de Ciencias da Computación da Universidade Simón Bolívar, Venezuela, e actualmente é investigador asociado na Universidade Pompeu Fabra, Barcelona, España. Doutorouse en ciencias da computación na Universidade de California, Los Ángeles. Os seus intereses de investigación céntranse nas áreas de planificación automatizada, procura e representación do coñecemento, aprendizaxe profunda e teoría da computación. Blai recibiu varios premios ao mellor artigo ou mencións honoríficas, incluídos os premios ICAPS Influential Paper de 2009 e 2014, e é coautor do libro "A Concise Introduction to Models and Methods for Automated Planning". Foi editor asociado de Artificial Intelligence e do Journal of Artificial Intelligence Research (JAIR), copresidente da conferencia ICAPS-12, copresidente do programa de AAAI-15, e foi membro do Consello Executivo de ICAPS e AAAI.