論文の概要: Boldly Going Where No Prover Has Gone Before
- arxiv url: http://arxiv.org/abs/1912.12958v1
- Date: Mon, 30 Dec 2019 15:14:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 02:51:43.688583
- Title: Boldly Going Where No Prover Has Gone Before
- Title（参考訳）: Boldly、これまでプロバーがいなかった場所へ
- Authors: Giles Reger (University of Manchester)
- Abstract要約: 自動推論の研究者が直面している最も興味深いゴールは、既存のツールやメソッドで現在解決できない問題を解決することです。
これは明らかで、明らかに元来の考えではないように思われるかもしれませんが、第一の目標として重視することで、新たな光の中で他の目標を調べることができます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: I argue that the most interesting goal facing researchers in automated
reasoning is being able to solve problems that cannot currently be solved by
existing tools and methods. This may appear obvious, and is clearly not an
original thought, but focusing on this as a primary goal allows us to examine
other goals in a new light. Many successful theorem provers employ a portfolio
of different methods for solving problems. This changes the landscape on which
we perform our research: solving problems that can already be solved may not
improve the state of the art and a method that can solve a handful of problems
unsolvable by current methods, but generally performs poorly on most problems,
can be very useful. We acknowledge that forcing new methods to compete against
portfolio solvers can stifle innovation. However, this is only the case when
comparisons are made at the level of total problems solved. We propose a
movement towards focussing on unique solutions in evaluation and competitions
i.e. measuring the potential contribution to a portfolio solver. This state of
affairs is particularly prominent in first-order logic, which is undecidable.
When reasoning in a decidable logic there can be a focus on optimising a
decision procedure and measuring average solving times. But in a setting where
solutions are difficult to find, average solving times lose meaning, and whilst
improving the efficiency of a technique can move potential solutions within
acceptable time limits, in general, complementary strategies may be more
successful.
- Abstract（参考訳）: 自動推論の研究者が直面している最も興味深いゴールは、既存のツールやメソッドで現在解決できない問題を解決することです。
これは明らかなように見え、明らかにオリジナルの考えではありませんが、主要な目標としてこれに焦点を当てることで、新しい光の下で他の目標を調べることが可能になります。
多くの成功した定理証明者は、問題を解くための様々な方法のポートフォリオを使っている。
既に解決できる問題の解決は、技術の現状を改善できないかもしれないし、現在の方法では解決できないが、ほとんどの問題では一般的には不十分である、いくつかの問題を解決する方法は非常に有用である。
ポートフォリオソルバと競合する新しい手法を強制することはイノベーションを損なう可能性があることを認めます。
しかし、これは解決された問題の総数で比較を行う場合のみである。
我々は,評価と競争におけるユニークなソリューション,すなわちポートフォリオ・ソルバへの潜在的貢献を評価することに焦点を当てる動きを提案する。
この状態は特に一階述語論理において顕著であり、決定不能である。
決定可能な論理で推論する場合、決定手順の最適化と平均解時間の測定に重点を置くことができる。
しかし、解を見つけるのが難しい環境では、平均的な解法時間は意味を失い、テクニックの効率性を改善することは許容できる時間内に潜在的な解を動かすことができるが、一般に補足的戦略はより成功するかもしれない。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Exploring the Performance-Reproducibility Trade-off in Quality-Diversity [7.858994681440057]
品質多様性(QD)アルゴリズムは多くの領域やアプリケーションで有望な結果を示している。
しかし、複雑な実世界のアプリケーションでQDが使用される場合、ソリューションの適合性と行動推定の不確実性は依然として大きな課題である。
そこで本稿では, トレードオフに対する最適解を求める新たな4つのQDアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-20T08:20:31Z) - Divide-or-Conquer? Which Part Should You Distill Your LLM? [38.62667131299918]
我々は、推論タスクを問題解決フェーズと問題解決フェーズに分解する同様の戦略を考案する。
戦略が単一ステージソリューションより優れていることを示す。
論文 参考訳（メタデータ） (2024-02-22T22:28:46Z) - Efficient anytime algorithms to solve the bi-objective Next Release
Problem [2.8148957592979422]
次のリリース問題は、ソフトウェア製品の次のリリースで開発する要件のサブセットを選択することです。
そこで我々は,探索中いつでもよく分散されたソリューション群を維持できる5つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-07T05:03:31Z) - Attention-based Reinforcement Learning for Combinatorial Optimization: Application to Job Shop Scheduling Problem [2.024210754085351]
本研究では,ジョブショップスケジューリング問題に特化して設計された,革新的な注意力に基づく強化学習手法を提案する。
この研究の鍵となる発見は、提案手法で訓練を受けた学習者が、初期訓練セットに含まれない大規模問題に再利用できることである。
論文 参考訳（メタデータ） (2024-01-29T21:31:54Z) - Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。
TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。
TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
論文 参考訳（メタデータ） (2023-10-06T01:40:09Z) - Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge
Reasoning via Promoting Causal Consistency in LLMs [63.26541167737355]
知識に基づく推論における忠実さと因果性を高めるための枠組みを提案する。
我々のフレームワークは、最先端のアプローチを大きなマージンで比較している。
論文 参考訳（メタデータ） (2023-08-23T04:59:21Z) - On solving decision and risk management problems subject to uncertainty [91.3755431537592]
不確実性は意思決定とリスク管理において広範囲にわたる課題である。
本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
論文 参考訳（メタデータ） (2023-01-18T19:16:23Z) - A Framework for Inherently Interpretable Optimization Models [0.0]
何十年も前に難解だった大規模な問題の解決は、今や日常的な課題である。
1つの大きな障壁は、最適化ソフトウェアがブラックボックスとして認識できることである。
本稿では、本質的に理解しやすい説明規則を持つ解を導出する最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-26T10:32:00Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - A Mutual Information Maximization Approach for the Spurious Solution
Problem in Weakly Supervised Question Answering [60.768146126094955]
弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。
偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。
本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
論文 参考訳（メタデータ） (2021-06-14T05:47:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。