Новый метод машинного обучения ускоряет поиск решений в сложных задачах

В области искусственного интеллекта поиск решений в сложных детерминированных задачах часто опирается на разбиение на подзадачи. Однако традиционные подходы требуют явного выделения подцелей, что создаёт вычислительные накладные расходы и ограничивает масштабируемость. Новая работа, опубликованная на arXiv, предлагает обойти это ограничение с помощью обученного «переукладчика» (rerooter) в рамках алгоритма Levin Tree Search (LTS).

Разработанный метод позволяет неявно разложить задачу на мягкие подзадачи, не требуя их явного восстановления. Авторы предложили три архитектуры переукладчика: кластерный, использующий глобальную структуру пространства состояний; эвристический, опирающийся на обученные оценки стоимости пути; и гибридный, объединяющий оба подхода. Такой подход снижает вычислительную сложность и повышает масштабируемость.

Эксперименты показали, что методы на основе переукладчика справляются с окружениями, где классический поиск на основе подцелей терпит неудачу. В тестируемых задачах новые алгоритмы достигли наилучшей эффективности онлайн-обучения, что является новым словом в области планирования и поиска решений.

Работа представляет собой важный шаг в развитии методов поиска на деревьях, открывая путь к решению более сложных задач с ограниченными вычислительными ресурсами. Исследователи подчёркивают, что предложенные переукладчики легко интегрируются в существующие системы.

Статья доступна на arXiv под идентификатором 2605.30664. Результаты могут найти применение в робототехнике, автоматическом планировании и играх, где требуется быстрый поиск решений в больших пространствах состояний.