Aplikace grafových neuronových sítí v klasickém plánování

Abstract

V této práci studujeme aplikaci grafových neuronových sítí (GNN) v klasickém plánování, která se objevila v článku [SBG22]. Reimplementujeme a upravujeme původní kód, přidáváme nové části kódu. Využíváme GNNs pro učení optimálních obecných strategií v doménách klasického plánování. Trénujeme GNN modely pomocí učení s učitelem k aproximaci optimální hodnotové funkce V (s) pro různé náhodně generované stavy s. Reprodukujeme výsledky experimentů provedených v článku [SBG22].

In this work, we study Graph Neural Networks (GNNs) application in Classical Planning appeared in [SBG22]. We reimplement and modify the original code and add new parts. We employ GNNs for learning optimal general policies in Classical Planning domains. We train GNN Models using supervised learning to approximate the optimal value function V(s) for various sampled states s. We reproduce the results of the experiments conducted in [SBG22].