論文の概要: Partial Queries for Constraint Acquisition

• arxiv url: http://arxiv.org/abs/2003.06649v2
• Date: Tue, 12 Oct 2021 09:41:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 20:10:48.862325
• Title: Partial Queries for Constraint Acquisition
• Title（参考訳）: 制約獲得のための部分的クエリ
• Authors: Christian Bessiere, Clement Carbonnel, Anton Dries, Emmanuel Hebrard, George Katsirelos, Nadjib Lazaar, Nina Narodytska, Claude-Guy Quimper, Kostas Stergiou, Dimosthenis C. Tsouros, Toby Walsh
• Abstract要約: ユーザに対して部分的なクエリを問うことによって,制約ネットワークを学習する。 すなわち、変数のサブセットへの代入を正あるいは負のものとして分類するようユーザに求めます。 我々は、負の例を与えられた場合、サンプルのサイズで対数的な多数のクエリにおいて、対象ネットワークの制約に焦点をあてる QUACQ と呼ばれるアルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 40.280429279882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning constraint networks is known to require a number of membership queries exponential in the number of variables. In this paper, we learn constraint networks by asking the user partial queries. That is, we ask the user to classify assignments to subsets of the variables as positive or negative. We provide an algorithm, called QUACQ, that, given a negative example, focuses onto a constraint of the target network in a number of queries logarithmic in the size of the example. The whole constraint network can then be learned with a polynomial number of partial queries. We give information theoretic lower bounds for learning some simple classes of constraint networks and show that our generic algorithm is optimal in some cases.
• Abstract（参考訳）: 学習制約ネットワークは、変数数で指数関数的に多くのメンバシップクエリを必要とすることが知られている。 本稿では,ユーザの部分的問合せを問うことで制約ネットワークを学習する。 すなわち、変数のサブセットへの代入を正あるいは負のものとして分類するようユーザに求めます。 我々は、負の例を与えられた場合、サンプルのサイズで対数的な多数のクエリにおいて、対象ネットワークの制約に焦点をあてる QUACQ と呼ばれるアルゴリズムを提供する。 制約ネットワーク全体は、多項式数の部分的なクエリで学習することができる。 制約ネットワークの単純なクラスを学習するために情報理論下限を与え、ある場合には汎用アルゴリズムが最適であることを示す。

関連論文リスト

• Active Learning with Simple Questions [20.239213248652376]
  ドメインXに属するn個のラベルのない例のプールSを学習者が提示する活発な学習環境を考える。 我々は、学習者がドメインTサブセットXとターゲットラベルyのサブセットを選択することができるような、より一般的な領域クエリについて研究する。 我々は、VC次元 d の任意の仮説クラス H が与えられたとき、VC次元 O(d) の領域クエリファミリー Q を設計でき、これは n 個の例の集合 S の部分集合 X と H のすべての h* に対して、学習者が Q から A への O(d log n) クエリを提出できることを示している。
  論文  参考訳（メタデータ） (2024-05-13T17:13:32Z)
• Learning to Learn in Interactive Constraint Acquisition [7.741303298648302]
  制約獲得(CA:Constraint Acquisition)では、モデルを自動的に学習することでユーザを支援することが目標である。 アクティブCAでは、クエリを対話的にユーザにポストすることでこれを行う。 本稿では、確率論的分類モデルを用いて対話型CAを誘導し、より有望なクエリを生成することを提案する。
  論文  参考訳（メタデータ） (2023-12-17T19:12:33Z)
• Guided Bottom-Up Interactive Constraint Acquisition [10.552990258277434]
  制約獲得システム(Constraint Acquisition, CA)は制約満足度問題のモデル化を支援する。 現在の対話型CAアルゴリズムは、少なくとも2つの大きなボトルネックに悩まされている。 本稿では,CAの効率を向上する2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-12T12:25:37Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Efficient Multiple Constraint Acquisition [1.3706331473063877]
  QuAcqやMultiAcqのような制約獲得システムは、専門家でないユーザが自身の問題を制約ネットワークとしてモデル化するのを支援できる。 本稿では,クエリ数を大幅に削減することで,制約獲得の性能を高める手法を提案する。 そして、我々はクエリ生成に注意を向けます。
  論文  参考訳（メタデータ） (2021-09-13T12:42:16Z)
• A simple geometric proof for the benefit of depth in ReLU networks [57.815699322370826]
  本論文では, 多層フィードフォワードネットワークにおける深度の利点を, 整流活性化(深度分離)により証明する。 我々は、線形深さ($m$)と小さな定数幅($leq 4$)を持つ具体的なニューラルネットワークを示し、問題をゼロエラーで分類する。
  論文  参考訳（メタデータ） (2021-01-18T15:40:27Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。