Focused Meta Actions Project Benchmarks

这是一个用于硕士论文项目的基准数据集仓库，包含所有在论文中使用的基准数据。项目包括用于合并不同学习基准的工具、实际的基准数据集、预计算的提升互斥组、自动生成互斥组的工具、从基准数据集中移除特定节点的工具以及从相关论文中翻译的最佳域。

This is a benchmark dataset repository for a master's thesis project, encompassing all the benchmark data utilized in the thesis. The project includes tools for merging different learning benchmarks, actual benchmark datasets, precomputed lift mutual exclusion groups, tools for automatically generating mutual exclusion groups, tools for removing specific nodes from benchmark datasets, and the best domains translated from related papers.

原始信息汇总

数据集概述

数据集名称

Focused Meta Actions Project Benchmarks

数据集内容

主要项目

1. BenchmarkMerger

   • 目的：将Autoscale Learning Benchmarks 和 Autoscale Agile Benchmarks 合并为训练和测试集。

2. Benchmarks

   • 结构：每个文件夹包含一个域文件和用于testing、training及usefulness检查的子文件夹。

3. CPDDLGroups

   • 来源：由CPDDL预先计算的提升互斥组集合。

4. CPDDLPreloader

   • 功能：自动从Benchmarks文件夹中的问题生成上述互斥组。

5. FunctionsPurger

   • 功能：从Benchmarks文件夹中移除所有functions、numeric和metric节点。

6. Pham-Domains

   • 来源：来自论文Can I Really Do That? Verifcation of Meta-Operators via Stackelberg Planning的最佳域集合，已转换以适应Autoscale基准。

数据集用途

用于硕士论文项目P10的基准数据。

搜集汇总

数据集介绍

构建方式

Focused Meta Actions Project Benchmarks数据集的构建基于多个项目的集成与优化。具体而言，该数据集通过`BenchmarkMerger`项目将[Autoscale Learning Benchmarks](https://github.com/alvaro-torralba/autoscale-learning)与[Autoscale Agile Benchmarks](https://github.com/AI-Planning/autoscale-benchmarks)合并，分别作为训练集和测试集。此外，`CPDDLPreloader`项目自动从`Benchmarks`文件夹中的问题生成预计算的提升互斥组，而`FunctionsPurger`项目则负责从基准数据中移除所有`functions`、`numeric`和`metric`节点。这些步骤确保了数据集的多样性和实用性。

特点

该数据集的显著特点在于其多源数据的整合与优化。通过结合不同来源的基准数据，数据集不仅涵盖了广泛的领域文件，还包含了用于`testing`、`training`和`usefulness`检查的专门文件夹。此外，`CPDDLGroups`提供的预计算提升互斥组进一步增强了数据集的分析深度。数据集中的`Pham-Domains`部分还特别引入了经过验证的“最佳”领域，这些领域经过翻译以兼容Autoscale基准，从而提升了数据集的实用性和研究价值。

使用方法

Focused Meta Actions Project Benchmarks数据集的使用方法多样且灵活。研究者可以直接利用`Benchmarks`文件夹中的数据进行训练和测试，同时通过`CPDDLGroups`和`CPDDLPreloader`项目生成的互斥组进行深入分析。此外，`FunctionsPurger`项目可以帮助用户简化数据，去除不必要的节点，以便更专注于核心分析。对于特定领域的研究，`Pham-Domains`部分提供了经过验证的最佳领域，可以直接用于实验和验证。整体而言，该数据集为不同层次的研究提供了丰富的资源和工具。

背景与挑战

背景概述

Focused Meta Actions Project Benchmarks数据集源自于一个硕士论文项目P10，该项目旨在整合与自动化学习及敏捷基准测试相关的数据。该数据集的核心研究问题涉及如何有效地合并和利用不同领域的基准数据，以支持更高效的训练和测试。主要研究人员通过结合Autoscale Learning Benchmarks和Autoscale Agile Benchmarks，构建了一个综合的训练和测试集，旨在提升自动化规划和元操作验证的准确性和效率。此数据集的创建不仅丰富了自动化规划领域的研究资源，还为相关领域的研究者提供了宝贵的实验数据。

当前挑战

该数据集在构建过程中面临多项挑战。首先，整合不同来源的基准数据需要解决数据格式和结构的不一致性问题，确保数据能够无缝合并。其次，自动生成和预处理mutex组以及去除不必要的函数和数值节点，增加了数据处理的复杂性和计算负担。此外，如何确保所选领域的“最佳”域能够与Autoscale基准兼容，也是一个技术难题。这些挑战不仅涉及数据处理的技术细节，还要求研究者具备深厚的领域知识和实践经验，以确保数据集的质量和实用性。

常用场景

经典使用场景

Focused Meta Actions Project Benchmarks数据集在元动作规划领域中扮演着关键角色，主要用于评估和优化自动扩展学习与敏捷基准的结合效果。通过该数据集，研究者能够系统地比较不同基准在训练和测试环境中的表现，从而为元动作规划提供可靠的性能评估依据。

解决学术问题

该数据集解决了元动作规划中基准数据不统一和评估标准不一致的学术问题。通过整合Autoscale Learning Benchmarks和Autoscale Agile Benchmarks，它为研究者提供了一个统一的训练和测试平台，有助于推动元动作规划领域的标准化和深入研究。

衍生相关工作

基于Focused Meta Actions Project Benchmarks数据集，研究者们开发了多种相关工具和方法，如CPDDLPreloader用于自动生成互斥组，FunctionsPurger用于清理基准数据中的冗余信息。这些衍生工作进一步丰富了元动作规划的研究工具箱，推动了该领域的技术进步。