Teknologi.Bagian dari ensiklopedia.onlineCari/
BerandaKomputasi & perangkat lunakRI: Small: Learning Generalizable Abstractions for Fast and Reliable Planning Under Uncertainty
Proyek riset & pengembangan

RI: Small: Learning Generalizable Abstractions for Fast and Reliable Planning Under Uncertainty

Ringkasan tujuan riset

Pembelajaran abstraksi dunia hierarkis menggunakan wilayah kritis dan penyempurnaan representasi untuk merencanakan tindakan tingkat tinggi pada masalah stokastik dengan horizon panjang.

Komputasi & perangkat lunak1 rujukanProfil diperbarui
Lihat rujukanBandingkan proyek
Linimasa NSF 2419809Periode tercatat 2024-07-15 sampai 2027-06-30.NSF 2419809MulaiAkhir tercatat202420282024-07-152027-06-30
Linimasa dan catatan proyek

Tanggal dan TRL menurut catatan penerbit. Akhir periode dan target bukan bukti hasil riset.

Teknologi · CC BY 4.0 · Sumber data

Apa tujuan dan pendekatan risetnya?

Profil ini merangkum ruang lingkup proyek yang dipublikasikan National Science Foundation (NSF). Sumber diakses . Uraian pendekatan dan manfaat menyatakan tujuan pengembangan, kecuali sumber secara khusus melaporkan hasil.

Perencanaan skala besar sering membutuhkan model hierarkis buatan ahli yang sulit digunakan pada tugas baru. Pendekatan bottom-up mempelajari wilayah keadaan penting dari perilaku tanpa anotasi dan membentuk tindakan menuju atau meninggalkan wilayah tersebut. Pendekatan top-down memulai representasi kasar, kemudian menambah resolusi agar pengalaman lebih terjelaskan. Algoritme diuji pada masalah dengan reward jarang dan kondisi uji berbeda dari pelatihan, dengan interpretabilitas serta skalabilitas model sebagai sasaran.

Baca uraian penerbit

Konteks pengembangan

Institusi penerima pada catatan
Arizona State University
Program
Robust Intelligence
Periode pendanaan tercatat
2024-07-15 → 2027-06-30

Proyek kolaboratif beberapa institusi diwakili oleh satu catatan penghargaan. Institusi di atas adalah penerima pada catatan tersebut.

Klasifikasi NSF

  • Directorate for Computer and Information Science and Engineering
  • Computing & AI Foundations

Label penerbit dipertahankan sebagai konteks. Bidang katalog merupakan pengelompokan editorial.

Apa yang diketahui tentang statusnya?

Status pendanaan menurut NSFAktif (catatan pendanaan NSF)

Catatan NSF tidak melaporkan tingkat kesiapan teknologi (TRL). Status pendanaan aktif atau berakhir bukan bukti keberhasilan riset.

Batas informasi

Profil merangkum tujuan dan pendekatan dalam abstrak pendanaan NSF. Status pendanaan tidak membuktikan keberhasilan riset, kesiapan teknologi, atau ketersediaan produk. Hasil dan performa belum diverifikasi secara independen; tinjauan ahli belum dilakukan.

Dasar profil

Metodologi dan batas pemeriksaan. Ringkasan berbahasa Indonesia disusun sebagai parafrasa editorial dengan pemeriksaan sumber primer oleh agen AI. Identitas, periode, serta status berasal dari catatan penerbit. Tinjauan ahli dan pengujian kinerja independen belum dilakukan; rujukan tidak menyiratkan dukungan atau sertifikasi NSF.