Executable Functional Abstractions: Inferring Generative Programs for Advanced Math Problems
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出 EFAGen，将高等数学问题的可执行函数抽象（EFA）自动推断形式化为程序合成任务，通过可执行单元测试和 LLM 采样搜索生成忠实于种子问题的 EFA，并用于问题变体生成与数据生成。
2025-07-21 cs.AI cs.CL cs.LG
Learning Generalized Wireless MAC Communication Protocols via Abstraction
University of Catania（卡塔尼亚大学）；University of Oulu（奥卢大学）
为了解决超5G（B5G）和未来6G无线网络的异构需求，传统的介质访问控制（MAC）过程需要演进以使基站（BS）和用户设备（UE）能够自动学习满足极其多样化的服务的创新MAC协议。该主题已经受到了极大的关注，并且若干强化学习（RL）算法（其中BS和UE被投射为代理）是可用的，其目的是基于代理的本地观察来学习通信策略。然而，目前的方法通常过度拟合它们所训练的环境，并且对看不见的条件缺乏鲁棒性，无法在不同的环境中推广。为了克服这个问题，在这项工作中，而不是在高维和冗余的观察空间学习的政策，我们利用的概念，观察抽象（OA）植根于从环境中提取有用的信息。这反过来又允许学习比当前基线更健壮且具有更好的泛化能力的通信协议。为了从观察中学习抽象信息，我们提出了一种基于自动编码器（AE）的体系结构，并将其注入到多智能体近端策略优化（MAPPO）框架中。仿真结果证实了利用抽象的有效性，当学习协议通过概括跨环境，在UE的数量，数据包的数量来发送，和信道条件。
2022-06-06 cs.AI cs.LG cs.NI
An Abstraction-based Method to Check Multi-Agent Deep Reinforcement-Learning Behaviors
Imperial College London（伦敦帝国理工学院）
多智能体强化学习（RL）通常难以确保学习代理的安全行为，因此通常不适用于安全关键型应用。为了解决这个问题，我们提出了一种方法，结合形式化验证与（深）RL算法，以保证满足正式指定的安全约束的培训和测试。我们提出的方法表示的约束，以验证概率计算树逻辑（PCTL），并建立一个抽象的表示系统，以减少验证步骤的复杂性。该抽象模型允许模型检验技术来识别满足PCTL中表达的安全约束的一组抽象策略。然后，根据这些安全的抽象策略来限制代理的行为。我们提供了形式化的保证，通过使用这种方法，代理的行动总是满足安全约束，并提供了一个过程，自动生成一个抽象的模型。我们经验评估，并显示我们的方法在多智能体环境中的有效性。
2021-04-02 cs.AI cs.LG cs.MA
Planning with Goal-Conditioned Policies
University of California, Berkeley（加州大学伯克利分校）
规划方法可以通过组合简单的行为来解决时间扩展的序列决策问题。然而，规划需要对状态和转换进行适当的抽象，这通常需要手工设计。相比之下，无模型强化学习（RL）可以直接从低级别输入中获取行为，但通常难以处理时间扩展的任务。我们能否利用强化学习来自动形成规划所需的抽象，从而获得两种方法的最佳效果？我们表明，学习RL的目标条件的政策可以纳入规划，使规划者可以专注于达到哪些状态，而不是如何达到这些状态。然而，对于复杂的状态观测（如图像），并非所有输入都表示有效状态。因此，我们还建议使用一个潜在的变量模型来competently表示一组有效的状态的规划，使政策提供了一个抽象的行动，和潜在的变量模型提供了一个抽象的状态。我们将我们的方法与基于规划和无模型的方法进行比较，发现我们的方法在基于图像的机器人导航和操作任务（需要非贪婪的多阶段行为）上进行评估时，显着优于先前的工作。
2019-11-19 cs.AI cs.LG cs.RO
Deep Hierarchical Reinforcement Learning Based Recommendations via Multi-goals Abstraction
Peking University（北京大学）
推荐系统是智能应用的一种重要形式，它帮助用户减少信息冗余。在评价一个推荐系统的指标中，转化率指标变得越来越重要。现有的大多数推荐系统由于其极其稀疏的反馈信号而在转换度量上表现不佳。为了应对这一挑战，我们提出了一个基于深度层次强化学习的推荐框架，该框架由两个组件组成，即，高级代理和低级代理。高层智能体捕捉长期稀疏的转换信号，自动为底层智能体设定抽象目标，底层智能体遵循抽象目标与实时环境交互。针对分层强化学习存在的问题，提出了一种基于多目标抽象的深度分层强化学习算法（HRL-MG）.该算法具有三个特点：1）高层智能体在不同阶段产生多个目标来指导底层智能体，降低了接近高层目标的难度; 2）不同目标共享相同的状态编码器参数，增加了高层智能体的更新频率，从而加快了算法的收敛速度; 3）设计了一个增值收益分配函数，对每个目标进行奖励分配，使不同目标协调一致。我们评估我们提出的算法的基础上，现实世界的电子商务数据集，并验证其有效性。
2019-03-22 cs.AI cs.IR cs.LG
Brain-Inspired Planning for Better Generalization in Reinforcement Learning
McGill University（麦吉尔大学）
本论文受人类大脑规划机制启发，提出空间抽象注意力、Skipper任务分解框架和可行性评估器，以提升强化学习智能体的零样本系统化泛化能力并避免妄想性规划。
2025-11-09 cs.AI cs.LG
Towards Abstraction in ASP with an Application on Reasoning about Agent Policies
TU Wien（维也纳工业大学）
ASP程序是解决问题的方便工具，而对于大型问题实例，状态空间的大小可能会令人望而却步。我们认为抽象作为一种手段的过度近似，并介绍了一种方法来自动抽象（可能是非地面）ASP程序，保留其结构，同时减少问题的大小。一个特定的应用程序的情况下，定义声明性的政策反应式代理和推理的问题，我们举例说明。
2018-09-18 cs.AI cs.LO
Learning adaptive planning representations with natural language guidance
MIT（麻省理工学院）；Princeton University（普林斯顿大学）；UC Berkeley（加州大学伯克利分校）；Microsoft（微软）
本研究提出Ada框架，借助语言模型的通用知识自动构建任务特定的规划表示，交互式学习适配领域的高层动作抽象与低层控制器，在两个规划基准上性能优于现有LM序列决策方法，泛化性更强。
2023-12-13 cs.AI cs.CL cs.RO
Reducing Diversity to Generate Hierarchical Archetypes
Avatar Cognition（阿凡达认知公司）；Universitat Politècnica de Catalunya - BarcelonaTech（加泰罗尼亚理工大学 - 巴塞罗那技术学院）
本文提出了一个基于原语的框架，用于自动生成构造原型的层次结构，以解决人工智能中缺乏自动构建抽象层次结构方法的问题，并通过数学证明验证了其有效性。
2024-09-27 cs.AI
Building and Refining Abstract Planning Cases by Change of Representation Language
离子是最有前途的方法之一，以提高性能的问题解决者。在几个领域中，通过删除领域描述的句子来进行抽象--正如大多数层次规划者所使用的那样--已经被证明是有用的。在本文中，我们提出的例子，说明了显着的缺点，抽象的下降的句子。为了克服这些缺点，我们提出了一个更一般的抽象视图，涉及表示语言的变化。我们开发了一种新的抽象方法和相关的健全和完整的学习算法，允许规划案例的表示语言从具体到抽象的完全改变。然而，为了实现表示语言的强大改变，必须在领域模型中提供抽象语言本身以及描述抽象状态的可接受方式的规则。这种新的抽象方法是巴黎的核心（计划抽象和完善的综合系统），一个系统中，抽象的规划情况下，自动学习给定的具体情况。在机械工程工艺规划领域的实证研究表明，所提出的推理从抽象的情况下，经典的层次规划的显着优势。
1995-07-01 cs.AI
INEXA: Interactive and Explainable Process Model Abstraction Through Object-Centric Process Mining
Technical University of Munich（慕尼黑工业大学）；RWTH Aachen University（亚琛工业大学）
针对多粒度事件日志导致过程模型过大难以显示且现有抽象技术脱离底层日志的问题，提出INEXA方法，通过以对象为中心的过程挖掘实现交互式且可解释的过程模型抽象，保持与事件日志的链接并自动追踪抽象操作。
2024-03-27 cs.AI
Abstraction for Zooming-In to Unsolvability Reasons of Grid-Cell Problems
TU Wien（维也纳工业大学）
人类在研究问题时能够抽象出不相关的细节。这对于网格单元的问题尤其明显，因为人类能够忽略网格的某些部分，而专注于对问题重要的关键元素。最近，抽象的概念已被引入到回答集编程（ASP），一个知识表示和推理范式广泛用于解决问题，有可能理解的关键元素的程序中发挥作用，找到一个解决方案。本文件进一步授权抽象处理结构方面，特别是层次抽象的域。我们专注于获得网格上的问题无法解决的原因，并显示了自动实现类似人类的抽象，区分只有网格的相关部分的可能性。对抽象解释的用户研究证实了机器与人类解释中焦点的相似性，并重申了利用抽象来获得机器解释的挑战。
2019-09-11 cs.AI cs.LO
Twitch: Learning Abstractions for Equational Theorem Proving
Chalmers University, of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
Twitch通过自动学习等式定理证明中的抽象模式，提升证明效率和速度。
2026-03-06 cs.AI cs.LO
Using Deep Learning to Bootstrap Abstractions for Hierarchical Robot Planning
Arizona State University（亚利桑那州立大学）
本文讨论了学习抽象的问题，提高机器人规划性能，同时提供强有力的可靠性保证。尽管最先进的分层机器人规划算法允许机器人有效地计算用于实现用户期望的任务的长期运动计划，但是这些方法通常依赖于需要由专家手工设计的环境依赖的状态和动作抽象。我们提出了一种新的方法，引导整个层次规划过程。这使我们能够使用深度神经网络预测的关键区域自动计算新环境的抽象状态和动作，该深度神经网络具有自动生成的机器人特定架构。我们表明，学习的抽象可以使用一种新的多源双向分层机器人规划算法，是健全的和概率完整的。使用完整和非完整机器人对20种不同设置进行的广泛的经验评估表明：（a）我们学习的抽象提供了有效的多源层次规划所需的信息;以及（b）这种学习、抽象和规划的方法在训练过程中没有看到的测试环境的规划时间方面比最先进的基线高出近10倍。
2022-04-24 cs.AI cs.LG cs.RO
Guarantees for Sound Abstractions for Generalized Planning (Extended Paper)
Universidad Simón Bolívar（西蒙玻利瓦尔大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
广义规划是关于寻找解决规划实例集合的计划，通常是无限集合，而不是单个实例。最近，它已被证明如何减少规划问题的广义规划的规划问题的定性数值问题;后者是一个重新制定，同时捕捉所有的实例中的集合。因此，一个重要的研究思路在于自动地找到这种重新表述或抽象。最近的一个建议是从集合中的实例的有限和小的转换样本中归纳地学习抽象。然而，在所有归纳过程中，学习的抽象不能保证对整个集合都是正确的。在这项工作中，我们解决了这个限制，通过执行的抽象分析，相对于收集，并展示如何获得正式的保证泛化。这些保证，以一阶公式的形式，可以用于1）定义实例的子集，在这些子集上保证抽象是合理的，2）在某些假设下获得推广的必要条件，以及3）为规划问题自动合成复杂的不变量。我们的框架是通用的，它可以扩展或与其他方法相结合，它有超越广义规划的应用程序。
2019-05-31 cs.AI cs.LO
Ideal Abstractions for Decision-Focused Learning
Microsoft Research（微软研究院）；Stanford University（斯坦福大学）；Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了一种方法，制定简化抽象的机器学习系统，通过识别和利用决策的效用结构。机器学习任务通常涉及高维输出空间（例如，对图像中的每个像素或图中的节点的预测），即使较粗糙的输出通常足以用于下游决策（例如，图像的区域而不是像素）。开发人员经常手工设计输出空间的抽象，但许多抽象是可能的，并且不清楚模型的输出空间的选择如何影响其在下游决策中的有用性。我们提出了一种自动配置输出空间的方法，以尽量减少决策相关信息的损失。从几何的角度来看，我们制定了一个步骤的算法作为一个投影的概率单纯形，称为倍，最大限度地减少总损失的决策相关的信息在H-熵的意义。至关重要的是，在抽象的结果空间中学习需要更少的数据，从而导致决策质量的净改善。我们在两个领域展示了该方法：用于深度神经网络训练的数据采集和闭环野火管理任务。
2023-03-29 cs.AI cs.LG
Abstracting Probabilistic Models: A Logical Perspective
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
抽象是一种广泛应用于科学的强大思想，通过省略不相关的细节，在更易处理的搜索空间中对系统的行为进行建模、推理和解释。虽然抽象的概念已经成熟的确定性系统，抽象的概率模型的情况下尚未完全理解。在本文中，我们提供了一个语义框架，分析这种抽象的第一原则。我们开发的框架一般的方式，允许表达语言，包括基于逻辑的承认关系和层次结构与随机原语。我们激励一个高层次的模型和它的低层次的对应之间的一致性的定义，但也治疗的情况下，当高层次的模型是缺少关键信息存在于低层次的模型。我们证明属性的抽象，无论是在参数的水平，以及模型的结构。我们的结论与一些意见，如何抽象可以自动派生。
2020-01-13 cs.AI cs.LG cs.LO
Task Scoping: Generating Task-Specific Abstractions for Planning in Open-Scope Models
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Brown University Department of Computer Science（布朗大学计算机科学系）
一个通用的计划代理需要一个开放范围的世界模型：一个足够丰富的模型，以解决它可能被要求在其操作寿命内解决的任何广泛的任务。这与典型的规划方法形成对比，在典型的规划方法中，模型的范围限于共享重要结构的特定任务系列。不幸的是，计划使用开放范围模型解决任何特定任务在计算上都是棘手的-即使是最先进的方法-因为模型中必然存在许多状态和动作，但与该问题无关。我们建议任务范围：一种方法，利用初始状态，目标条件和过渡系统的知识，自动有效地从规划问题中删除可证明不相关的变量和动作。我们的方法利用因果链接分析和状态变量（而不是状态）的向后可达性以及运算符合并（当对相关变量的影响相同时）。使用任务范围作为预规划步骤可以将搜索空间缩小几个数量级，并显著减少规划时间。我们的经验表明，这些改进发生在各种开放范围的领域，包括Minecraft，我们的方法使用最先进的数字规划器将搜索时间减少了75倍，即使在包括任务范围本身所需的时间之后。
2023-02-04 cs.AI
Event Abstraction for Enterprise Collaboration Systems to Support Social Process Mining
University of Koblenz（科布伦茨大学）
针对企业协作系统细粒度事件日志应用流程挖掘易产生复杂模型的问题，提出定制化ECSEA事件抽象方法，通过对比高低层轨迹训练模型实现日志转换，为社会流程挖掘提供关键预处理支持。
2023-08-09 cs.AI cs.LG
Mining Process Model Descriptions of Daily Life through Event Abstraction
Eindhoven University of Technology（埃因霍温理工大学）；Philips Research（飞利浦研究院）
流程挖掘技术的重点是从事件日志中提取对流程的洞察。过程挖掘有可能在（非）健康习惯方面提供有价值的见解，并在应用于来自灵巧家庭环境的数据时有助于环境辅助生活解决方案。然而，在灵巧家庭环境中记录的事件是在传感器触发器的级别上，在该级别上，过程发现算法产生过度概括的过程模型，该过程模型允许太多的行为并且难以为人类专家解释。我们表明，抽象的事件，以更高层次的解释，可以发现更精确，更容易理解的模型。我们提出了一个框架提取的功能，可用于抽象的监督学习方法，是基于XES IEEE标准的事件日志。在传感器和人类活动事件都已知的训练数据上训练该框架之后，该框架可以自动地将传感器级事件抽象为它们在人类活动级的解释。我们展示了我们的抽象框架上的三个现实生活中的灵巧家庭事件日志，并表明，抽象后可以发现的过程模型确实更精确。
2017-05-25 cs.AI cs.DB cs.LG
Efficient Decision-Theoretic Planning: Techniques and Empirical Analysis
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Carnegie Mellon University（卡内基梅隆大学）
本文讨论了执行有效的决策理论规划的技术。我们给出了一个概述的DRIPS决策理论的细化规划系统，它使用抽象有效地确定最佳计划。我们提出了自动生成搜索控制信息，这可以显着提高规划的性能的技术。我们评估DRIPS的效率与搜索控制规则和没有一个复杂的医疗规划问题，并比较其性能的分支定界决策树算法。
2013-02-20 cs.AI
Life is a Circus and We are the Clowns: Automatically Finding Analogies between Situations and Processes
The Hebrew University of Jerusalem（希伯来大学）
类比产生了推理，抽象，灵活的分类和反事实推理-即使是今天最好的人工智能系统也缺乏这些能力。许多研究表明，类比是能够适应新领域的非脆弱系统的关键。尽管它们很重要，但类比在NLP社区中很少受到关注，大多数研究都集中在简单的单词类比上。处理更复杂的类比的工作严重依赖于手动构建的，难以缩放的输入表示。在这项工作中，我们探索了一个更现实，更具有挑战性的设置：我们的输入是一对自然语言程序文本，描述了一种情况或一个过程（例如，心脏如何工作/泵如何工作）。我们的目标是从文本中自动提取实体及其关系，并基于关系相似性找到不同域之间的映射（例如，血液映射到水）。我们开发了一个可解释的，可扩展的算法，并证明它识别正确的映射87%的时间为程序文本和94%的故事从认知心理学文献。我们发现它可以从一个大型的程序文本数据集中提取类比，达到79%的精度（数据中的类比流行率：3%）。最后，我们证明了我们的算法是强大的释义输入文本。
2023-01-19 cs.AI cs.CL
KRONE: Scalable LLM-Augmented Log Anomaly Detection via Hierarchical Abstraction
Worcester Polytechnic Institute（沃斯特理工学院）；ByteDance Inc.（字节跳动公司）；University of Arizona（亚利桑那大学）
KRONE通过自动从扁平日志中推导执行层次结构，实现模块化多级异常检测，提升准确率、F1分数和资源效率。
2026-04-17 cs.AI cs.DB cs.SE
