A Discussion on the Scalability of Heuristic Approximators (Extended Abstract)
A Discussion on the Scalability of Heuristic Approximators (Extended Abstract)
复制标题
关于启发式近似器可扩展性的讨论（扩展摘要）
DOI：
10.1609/socs.v15i1.21796
复制
发表时间：
2022
期刊：
影响因子：
6
通讯作者：
Guni Sharon
中科院分区：
文献类型：
--
作者：
Sumedh Pendurkar;Taoan Huang;Sven Koenig;Guni Sharon
在这项工作中，我们研究了一系列最近发表的出版物，这些出版物提出使用深度神经网络来近似启发式搜索的状态目标距离。我们提出了第一步，表明这项工作受到固有的可扩展性限制，因为——在 P≠NP 的假设下——这种方法需要网络规模在状态数量上呈指数级扩展，以实现必要的（高）近似精度。
In this work, we examine a line of recent publications that propose to use deep neural networks to approximate the goal distances of states for heuristic search. We present a first step toward showing that this work suffers from inherent scalability limitations since --- under the assumption that P≠NP --- such approaches require network sizes that scale exponentially in the number of states to achieve the necessary (high) approximation accuracy.
DOI：
--
发表时间：
2018-09
期刊：
--
影响因子：
--
作者：
S. McAleer;Forest Agostinelli;A. Shmakov;P. Baldi
通讯作者：
S. McAleer;Forest Agostinelli;A. Shmakov;P. Baldi