💻 computer science

Learning Lifted Action Models from Traces with Minimal Information About Actions and States

تقدم هذه الورقة خوارزميات ونتائج اكتمال لتعلم مجالات أفعال STRIPS+ من آثار تتضمن معلومات جزئية عن كل من الأفعال والحالات، معالجةً بذلك القيود السابقة عبر مراعاة سيناريوهات تتراوح من عدم إمكانية ملاحظة الحالة إلى الملاحظة الكاملة أو المحلية لمسندات حالة محددة.

المؤلفون الأصليون: Jonas Gösgens, Niklas Jansen, Hector Geffner

نُشر 2026-05-19

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jonas Gösgens, Niklas Jansen, Hector Geffner

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول فهم قواعد لعبة لوحية معقدة، مثل الشطرنج أو لغز تحريك المربعات، ولكن لديك مشكلة غريبة جداً: لا يمكنك رؤية اللوحة.

يمكنك فقط رؤية الحركات التي يقوم بها اللاعبون. ترى قطعة تنتقل من "أ" إلى "ب"، أو لاعباً يلتقط رمزاً. لكنك لا تعرف أي قطعة تحركت، أو أين بدأت، أو كيف كان شكل اللوحة قبل أو بعد الحركة. أنت تحاول استنتاج كتاب قواعد اللعبة عبر مراقبة سلسلة من الأفعال.

هذا هو التحدي الجوهري الذي تعالجه ورقة بحثية بعنوان "تعلم نماذج الأفعال المرفوعة من الآثار بأقل قدر من المعلومات" (Learning Lifted Action Models from Traces with Minimal Information).

إليك تفصيل لما فعله المؤلفون، باستخدام تشبيهات بسيطة.

المشكلة: فخ "المعلومات الزائدة"

في الماضي، حاول علماء الكمبيوتر تعليم الذكاء الاصطناعي هذه القواعد. وقد اتبعوا نهجين أساسيين، لكن كلاهما كان به عيوب:

نهج "اللوحة الكاملة": كان يُعطى للذكاء الاصطناٍ م حالة اللوحة بالكامل (موقع كل قطعة) والحركة.
- العيب: في العالم الحقيقي، نادراً ما نرى اللوحة كاملة. أيضاً، غالباً ما تطلب القواعد تفاصيل كثودة. على سبيل المثال، لتحريك مربع في لغز ما، كانت القواعد القديمة تتطلب منك تحديد مكان المربع الحالي، ومكانه الجديد، والمكان الفارغ. لكن لكي تقرر الحركة، فأنت تحتاج فقط لمعرفة "تحرك يساراً". التفاصيل الإضافية ليست سوى ضجيج بالنسبة لمتخذ القرار.
نهج "الأكشن فقط": كان يُعطى للذكاء الاصطناعي فقط قائمة الحركات (مثل "تحرك يساراً"، "التقط").
- العيب: بدون رؤية اللوحة، لم يكن بإمكان الذكاء الاصطناعي معرفة ماذا يحرك. لم يكن يعرف ما إذا كان "تحرك يساراً" يعني تحريك روبوت، أو سيارة، أو صندوق.

الحل: لغة جديدة (STRIPS+)

قدم المؤلفون حلاً وسطاً يسمى STRIPS+. فكر في هذا كطريقة أذكى لكتابة القواعد.

في الطريقة القديمة (STRIPS)، قد تبدو القاعدة كصيغة صارمة:

Move(Robot, CurrentCell, NextCell)

في الطريقة الجديدة (STRIPS+)، تكون القاعدة أشبه بلغز:

Move()

تقول القاعدة: "إذا كان هناك روبوت في خلية، وهناك خلية على اليمين، يمكنك التحرك". على الكمبيوتر أن يكتشف أي روبوت وأي خلايا تنطبق عليها هذه المواصفات. الأمر يشبه المحقق الذي يحل جريمة حيث يوصف المشتبه به فقط بأنه "الشخص الذي يرتدي قبعة حمراء"، بدلاً من تسميته "جون سميث".

الخوارزميات الجديدة: SIFT+ و SYNTH+

تقدم الورقة البحثية "محققين" جديدين (خوارزميات) لحل هذا الغموض عند فقدان المعلومات.

1. SIFT+ (المحقق "المهتم بالأكشن فقط")

ماذا يفعل: يتعلم القواعد بمجرد مراقبة قائمة من الحركات، مع صفر رؤية للوحة.
كيف يعمل: يستخدم خدعة تسمى "سمات التعارض" (Mutex Features).
- التشبيه: تخيل أنك ترى لاعباً يلتقط كوباً. أنت لا ترى الكوب، لكنك تعلم أن اللاعب لا يمكنه حمل أكثر من كوب واحد في المرة الواحدة. إذا التقط اللاعب كوباً، فلا بد أنه وضع الكوب الذي كان يحمله.
- يبحث SIFT+ عن هذه الأنماط "المتعارضة". يدرك قائلاً: "آه، كلما حدث هذا الفعل، لا بد أن شيئاً ما صحيح بشأن الشيء الذي يتم حمله". ثم يبتكر "مُسندات" (predicates) جديدة (مفاهيم مثل is_holding) لملء الفجوات المفقودة.
النتيجة: يمكنه تعلم كتاب القواعد الكامل حتى لو جُرّدت أسماء الأفعال من معظم تفاصيلها.

2. SYNTH+ (المحقق "المهتم بالرؤية الجزئية")

ماذا يفعل: يتعلم عندما يستطيع رؤية بعض أجزاء اللوحة، ولكن ليس كلها.
كيف يعمل: يجمع بين "حل الألغاز" في لغة STRIPS+ الجديدة ومهارات "الابتكار" في SFT+.
- التشبيه: تخيل أنك تراقب سائق توصيل. يمكنك رؤية موقع السائق (الجزء "القابل للملاحظة بالكامل")، لكن لا يمكنك رؤية الطرود داخل الشاحنة. ومع ذلك، تعلم أن السائق لا يمكنه حمل طرد واحد في المرة الواحدة.
- يستخدم SYNTH+ الموقع المرئي لاستنتاج الطرد غير المرئي. يتساءل: "إذا كان السائق عند الباب، وقام للتو بـ 'إسقاط' شيء ما، فماذا كان في يده؟"
التحول: تقدم الورقة مفهوم "القابلية للملاحظة المحلية" (Local Observability). وهذا يعني أنك لست بحاجة لرؤية اللوحة بأكملها. أنت بحاجة فقط لرؤية الأجزاء ذات الصلة بالفعل الحالي.
- مثال: إذا تحرك روبوت "يساراً"، فأنت بحاجة فقط لرؤية الخلية التي على يساره. لست بحاجة لرؤية الخلية الموجودة في الطرف الآخر من الخريطة. هذا يجعل عملية التعلم أكثر واقعية.

(مخطط التبعية) (الخريطة الطريقية)

للتأكد من أن هؤلاء المحققين لن يعلقوا في حلقة مفرغة، أنشأ المؤلفون خريطة تسمى "مخطط التبعية" (Dependency Graph).

فكر في هذا كمخطط انسيابي. لتعلم "القاعدة أ"، قد تحتاج لمعرفة "الحقيقة ب". لتعلم "الحقيقة ب"، قد تحتاج لـ "القاعدة ج".
تثبت الورقة أنه طالما أن هذا المخطط لا يحتوي على حلقة دائرية (حيث أ تحتاج إلى ب، وب تحتاج إلى ج، وج تحتاج إلى أ)، فيمكن للخوارزمية تعلم القواعد خطوة بخفض، بدءاً من الأشياء التي يمكنك رؤيتها والعمل بشكل عكسي نحو الأشياء التي لا يمكنك رؤيتها.

النتائج: هل نجح الأمر؟

اختبر المؤلفون هؤلاء المحققين على ألغاز كلاسيكية مثل Blocksworld (رص الكتل)، و Delivery (التوصيل)، و Sokoban (دفع الصناديق).

الاختبار: قاموا بتغذية الخوارزميات بآثار حيث تم إخفاء 50% إلى 90% من المعلومات.
النتيجة:
- SIFT+ نجح في تعلم القواعد من قوائم الأفعال وحدها، مستعيداً التفاصيل المفقودة (مثل "أي كتلة فوق الأخرى") بمجرد ملاحظة الأنماط.
- SYNTH+ تعلم القواعد حتى عندما كانت "اللوحة" مخفية في معظمها، طالما أن القطع الحرجة (مثل موقع الوكيل) كانت مرئية.
- في كل اختبار تقريباً، حققت الخوارزميات دقة بنسبة 100%، حيث أعادت بناء كتب القواعد المخفية بشكل صحيح.

الملخص

تتعلق هذه الورقة بتعليم الحواسيب كيفية تعلم "قواعد اللعبة" عندما تُعطى معلومات قليلة جداً.

الطريقة القديمة: "إليك اللوحة، وإليك الحركة. تعلم القواعد." (تتطلب الكثير من المعلومات).
الطريقة الجديدة: "إليك قائمة من الحركات. يمكنك رؤية موقع اللاعب، ولكن ليس الأشياء. استنتج القواعد."
السبق العلمي: من خلال استخدام لغة أذكى (STRIPS+) وطريقة مبتكرة لـ "ابتكار" الحقائق المفقودة بناءً على ما "يجب" أن يكون صحيحاً (سمات التعارض)، يمكن للذكاء الاصطناعي ملء الفراغات وتعلم المنطق الكامل لمجال ما دون الحاجة لرؤية كاملة للعالم.

تزعم الورقة أن هذا يمثل خطوة كبيرة نحو جعل الذكاء الاصطناعي قادراً على التعلم من الملاحظات الطبيعية وغير الكاملة، تماماً كما يتعلم البشر من خلال مراقبة الآخرين، بدلاً من الحاجة إلى دليل مثالي وغني بالبيانات.

ملخص تقني: تعلم نماذج الأفعال المرفوعة من المسارات بأدنى قدر من المعلومات

بيان المشكلة

أظهرت الأعمال الحديثة أن نماذج STRIPS المرفوعة (lifted STRIPS models) يمكن تعلمها بكفاءة من مسارات الأفعال وحدها (خوارزمية SIFT)، وأن نماذج STRIPS+ (التي تسمح بوسطاء أفعال ضمنيين) يمكن تعلمها من مسارات الحالة-الفعل كاملة الرؤية (خوارما خوارزمية SYNTH). ومع ذلك، تواجه هذه النهج قيودًا عملية:

تتطلب SIFT مسارات STRIPS كاملة حيث تكون الوسائط صريحة، وهو ما يتضمن غالبًا معاملات غير ضرورية لا حاجة لها لاختيار الفعل (على سبيل المثال، في ألغاز إزاحة البلاطات، يجب تمرير الموقع الحالي للبلاطة صراحةً حتى لو كان الفعل هو "تحرك يسارًا").
تفترض SYNTH رؤية كاملة لجميع محمولات الحالة (state predicates)، وهو أمر غير واقعي للوكلاء الذين يعملون في بيئات جزئية الرؤية.

تعالج هذه الورقة مشكلة تعلم نطاقات أفعال STRIPS+ من المسارات حيث تكون وسائط الأفعال ومعلومات الحالة جزئية الرؤية. وتحديدًا، يبحث المؤلفون في الظروف التي يمكن فيها تعلم نطاق مكافئ عندما تحمل المسارات الحد الأدنى من المعلومات: بعض وسائط الأفعال محذوفة، ومعلومات الحالة إما غير مرئية بالكامل، أو مرئية بالكامل، أو مرئية محليًا فقط (مرئية فقط للكائنات ذات الصلة بالحالة الحالية).

المنهجية

الحل المقترح، SYNTH+، هو خوارزمية موحدة توسع وتجمع بين قدرات SIFT وSYNTH. وهي تعمل على مسارات ممتدة (تسلسلات من الأفعال وملاحظات الحالة الجزئية) وتعتمد على آليتين أساسيتين:

1. الميزات المتعارضة (توسيع لـ SIFT)

للتعامل مع وسائط الأفعال المفقودة دون رؤية الحالة، قدم المؤلفون الميزات المتعارضة (mutex features).

المفهوم: تمثل الميزة المتعارضة $f = \langle k, A, D \rangle$ محمولًا من الرتبة $k$ حيث يتم تحديد الوسيط رقم $k$ ضمنيًا بواسطة الوسائط الـ $k-1$ الأولى.
الآلية: على عكس الميزات القياسية حيث يكون لأنماط الإضافة والحذف نفس الرتبة، تسم تسمح الميزات المتعارضة لأنماط الحذف بأن تكون من الرتبة $k-1$ . وهذا يجسد القيد بأن فعلًا ما (مثل drop()) يحذف محمولًا (مثل holding(o)) بناءً على الكائن الذي يتم حمله حاليًا، دون تسمية هذا الكائن صراحةً في مسار الفعل.
الاتساق: تكون الميزة المتعارضة متسقة إذا كانت كل ذرة أرضية $f(o)$ في الرسم البياني للمسار تتلقى قيمة حقيقة واحدة، ولأي ذرتين حقيقتين $f(o)$ و $f(o')$ في نفس الحالة، إذا اختلف آخر الوسائط ( $o_k \neq o'_k$ )، فيجب أن يختلف أحد الوسائط السابقة أيضًا ( $o_i \neq o'_i$ لبعض $i < k$ ).

2. تخليق الاستعلام والدمج (توسيع لـ SYNTH)

تدمج SYNTH+ عملية "اختراع" المحمولات (عبر SIFT) مع استنتاج الوسائط الضمنية (عبر SYNTH) في حلقة تكرارية:

المدخلات: رسم بياني موسوم للمسارات الممتدة ومجموعة من المحمولات كاملة الرؤية $P_\omega$ .
التكرار:
- خطوة SIFT+: تستخدم أنماط الأفعال فوق الوسائط الصريحة والوسائط الضمنية المعروفة حاليًا لابتكار ميزات متعارضة جديدة وميزات بسيطة. تمثل هذه الميزات محمولات جديدة وآثارها.
- خطوة SYNTH: تستخدم المحمولات المخترعة حديثًا (وأي محمولات مرئية) لتعريف استعلامات (استعلامات فرعية $Q_i$ ) تربط المتغيرات الضمنية ( $z_i$ ) بكائنات فريدة في الحالة.
- التحديث: يتم تحديث الرسم البياني بالوسائط الضمنية الجديدة واستعلاماتها التعريفية.
الإنهاء: تستمر العملية حتى الوصول إلى نقطة ثابتة أو تجاوز حد العمق الأقصى ( $d_{max}$ ).

3. الرؤية المحلية

تم توسيع الإطار ليشمل LOCAL SYNTH+، الذي يتعامل مع الرؤية المحلية. في هذا الإعداد، يكون المحمول مرئيًا فقط لـ "الكائنات المحلية" (تلك التي تظهر كوسائط في الفعل الحالي). تقوم الخوارزمية بتعديل إجراء اختبار الاتساق (TEST*) ليفترض أن الذرات غير المحلية هي خطأ عند اختبار الشروط المسبقة، مما يضمن أن الأجزاء غير المرئية من الحالة لا تبطل تعلم الوسائط الضمنية.

المساهمات الرئيسية

خوارزمية SYNTH+: خوارزمية عامة لتعلم نطاقات STRIPS+ من المسارات مع الرؤية الجزئية لكل من الأفعال والحالات. وهي توحد اختراع المحمولات في SIFT مع حل الوسائط الضضمنية في SYNTH.
الميزات المتعارضة: صياغة جديدة تسمح بتعلم المحمولات التي يعتمد فيها الوسيط الأخير وظيفيًا على الوسائط الأخرى، مما يتيح استعادة وسائط الأفعال المحذوفة من المسارات دون رؤية كاملة للحالة.
نتائج الاكتمال: تم وضع شروط نظرية لمتى تكون الخوارزميات كاملة:
- SIFT+ (بدون رؤية حالة): تتطلب أن يكون نطاق STRIPS+ المخفي جيد التكوين، ومتصلًا بقوة، ولا حلقيًا في رسمه البياني التبعي (حيث العقد هي المحمولات والمتغيرات الضمنية).
- SYNTH+ (رؤية حالة جزئية): تتطلب أن يكون الرسم البياني التبعي المقتصر على المحمولات غير المرئية لا حلقيًا.
- LOCAL SYNTH+: ثبت اكتمالها تحت الرؤية المحلية للمحمولات الرئيسية (المحمولات في الشروط المسبقة التي تتضمن فقط وسائط ضمنية) إذا كانت كاملة الرؤية، بينما تكون المحمولات الأخرى مرئية محليًا.
التعميم: توضح الورقة أن SIFT وSYNTH هما حالتان خاصتان من SYNTH+ (حيث $P_\omega = \emptyset$ و $P_\omega = P$ على التوالي).

النتائج التجريبية

قيم المؤلفون SIFT+ وSYNTH+ على مجموعة من نطاقات التخطيط القياسية (مثل Blocks، Delivery، Grid، Sokoban، Logistics) باستخدام مسارات ممتدة تم إنشاؤها من نماذج STRIPS+ مخفية.

أداء SIFT+: نجحت في تعلم النطاقات الصحيحة (معدل تحقق 100%) من مسارات الأفعال وحدها عبر جميع النطاقات المختبرة، واستعادت متوسط 55% من وسائط الأفعال التي حُذفت من المسارات.
أداء SYNTH+: تعلمت النطاقات الصحيحة باستخدام عدد أقل بكثير من المحمولات المرئية مقارنة بـ SYNTH.
- في Delivery، تعلمت SYNTH+ النطاق عبر ملاحظة موقع الوكيل فقط (at(x)) والتجاور الساكن، بينما تطلبت SYNTH جميع محمولات المتغيرات (fluents).
- في Sokoban وLogistics*، تعلمت SYNTH+ النطاقات بملاحظة المحمولات الساكنة فقط، وهو سيناريو لم تنجح فيه كل من SYNTH أو SIFT+.
الكفاءة: عملت الخوارزميات بكفاءة (ثوانٍ إلى دقائق) على أجهزة قياسية، وتوسعت لتشمل نطاقات تضم آلاف خطوات المسار.

الأهمية والادعاءات

تدعي الورقة أن SYNTH+ توفر بديلًا عمليًا ومرفوعًا (lifted) للتعلم المعزز القائم على النماذج من خلال تمكين تعلم النماذج الديناميكية من المسارات "الطبيعية". هذه المسارات تتطلب حدًا أدنى من المعلومات:

لا تحتاج إلى سرد كل وسيط مطلوب للترميز الرسمي لـ STRIPS (على سبيل المثال، الموقع الحالي لكتلة يتم رفعها عن أخرى).
لا تتطلب رؤية كاملة للحالة؛ إذ تكفي الرؤية الجزئية أو المحلية لمحمولات معينة.

يؤكد المؤلفون أن نهجهم يسد الفجوة بين تعلم النماذج النظري (الذي يفترض غالبًا الرؤية الكاملة) والتطبيق العملي (حيث يمتلك الوكلاء إدراكًا محدودًا). ومن خلال توصيف الشروط الدقيقة (اللا-حلقية في الرسوم البيانية التبعية) التي يكون التعلم ممكنًا تحتها، تؤسس هذه الورقة لنطاق صارم لتعلم نماذج الأفعال المرفوعة في البيئات جزئية الرؤية. تشير النتائج إلى أنه يمكن إعادة بناء نطاقات معقدة من مسارات تنقل فقط المعلومات الضرورية لاختيار الأفعال، بدلاً من وصف الحالة الكامل.