Resumen: Las redes neuronales de gráficos relacionales (R-GNN) son un enfoque basado en GNN para las funciones de valor de aprendizaje que pueden generalizarse a problemas invisibles de un dominio de planificación determinado. Los R-GNN se motivaron teóricamente por la conexión bien conocida entre el poder expresivo de GNN y $ C_2 $, lógica de primer orden con dos variables y contamiento. En el contexto de la planificación, las características de $ C_2 $ se refieren al conjunto de fórmulas en $ C_2 $ con relaciones definidas por los predicados unarios y binarios de un dominio de planificación. Algunos dominios de planificación exhiben funciones de valor óptimas que pueden descomponerse como expresiones aritméticas de las características de $ C_2 $. Mostramos que, al contrario de los resultados empíricos, los R-GNN no pueden aprender funciones de valor definidas por las características $ C_2 $. También identificamos arquitecturas de GNN anteriores para la planificación que pueden aprender mejor las funciones de valor definidas por las características $ C_2 $.
Publicado Originalme en rss.arxiv.org El 15 de junio de 2025.
Ver Fuente Original
