論文の概要: Ordered Functional Decision Diagrams: A Functional Semantics For Binary
Decision Diagrams
- arxiv url: http://arxiv.org/abs/2003.09340v4
- Date: Tue, 21 Jul 2020 22:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 23:02:58.415349
- Title: Ordered Functional Decision Diagrams: A Functional Semantics For Binary
Decision Diagrams
- Title(参考訳): 順序付き関数決定図:二項決定図の関数意味論
- Authors: Joan Thibault and Khalil Ghorbal
- Abstract要約: 我々は、純粋に機能的な観点からバイナリ決定ダイアグラムを再検討する、$lambda$DDと呼ばれる新しいフレームワークを紹介します。
我々は、原則的に、このクラスのすべてのモデルを列挙し、最も表現力のあるモデルを分離する。
- 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: We introduce a novel framework, termed $\lambda$DD, that revisits Binary
Decision Diagrams from a purely functional point of view. The framework allows
to classify the already existing variants, including the most recent ones like
Chain-DD and ESRBDD, as implementations of a special class of ordered models.
We enumerate, in a principled way, all the models of this class and isolate its
most expressive model. This new model, termed $\lambda$DD-O-NUCX, is suitable
for both dense and sparse Boolean functions, and is moreover invariant by
negation. The canonicity of $\lambda$DD-O-NUCX is formally verified using the
Coq proof assistant. We furthermore give bounds on the size of the different
diagrams: the potential gain achieved by more expressive models can be at most
linear in the number of variables n.
- Abstract(参考訳): 我々は、純粋に機能的な観点からバイナリ決定ダイアグラムを再検討する、$\lambda$DDと呼ばれる新しいフレームワークを紹介します。
このフレームワークは、Chain-DDやESRBDDなど、既存のバリエーションを特別な順序付きモデルのクラスの実装として分類することができる。
原則的に、このクラスのすべてのモデルを列挙し、最も表現力のあるモデルを分離する。
この新しいモデルは$\lambda$dd-o-nucxと呼ばれ、密度関数とスパースブール関数の両方に適しているが、さらに否定によって不変である。
\lambda$dd-o-nucx のキャノニティは coq 証明アシスタントを用いて正式に検証される。
より表現力のあるモデルによって得られる潜在的な利得は、変数 n の個数において最大に線形である。
関連論文リスト
- Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳(メタデータ) (2023-06-13T12:40:39Z) - Symbolic Metamodels for Interpreting Black-boxes Using Primitive
Functions [15.727276506140878]
ブラックボックス機械学習モデルを解釈する1つのアプローチは、単純な解釈可能な関数を使ってモデルのグローバルな近似を見つけることである。
本研究では,解釈可能なメタモデルを見つけるための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-02-09T17:30:43Z) - DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
本稿では,既存のDocREモデルの根本原因について検討する。
本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。
4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
論文 参考訳(メタデータ) (2022-10-28T11:18:10Z) - Model Selection in Reinforcement Learning with General Function
Approximations [10.97775622611135]
強化学習環境におけるモデル選択の検討 - マルチアームバンド(MAB)とマルコフ決定プロセス(MDP)-
モデル選択フレームワークでは、$mathcalF$と$mathcalM$で表される関数クラスを知らない。
適応アルゴリズムの累積的後悔は、正しい関数クラスを知っているオラクルの後悔と一致することを示す。
論文 参考訳(メタデータ) (2022-07-06T21:52:07Z) - Diffusion models as plug-and-play priors [98.16404662526101]
我々は、事前の$p(mathbfx)$と補助的な制約である$c(mathbfx,mathbfy)$からなるモデルにおいて、高次元データ$mathbfx$を推論する問題を考える。
拡散モデルの構造は,異なるノイズ量に富んだ定性デノナイジングネットワークを通じて,微分を反復することで近似推論を行うことができる。
論文 参考訳(メタデータ) (2022-06-17T21:11:36Z) - Optimizing Binary Decision Diagrams with MaxSAT for classification [3.2894524838755608]
説明可能な人工知能への関心の高まりは、解釈可能な機械学習(ML)モデルの必要性を動機付けている。
近年、従来の手法の弱点を克服するために、そのようなモデルを計算するためのいくつかの正確な方法が提案されている。
本稿ではまず,最適なバイナリ決定図(BDD)を学習するためのSATモデルを提案する。
次に、符号化をMaxSATモデルに上げ、限られた深さで最適なBDDを学習します。
最後に、MaxSATモデルを介して見つけたBDDの互換性のあるサブツリーをマージする手法を導入することにより、フラグメンテーションの問題に取り組む。
論文 参考訳(メタデータ) (2022-03-21T23:17:37Z) - Universal and data-adaptive algorithms for model selection in linear
contextual bandits [52.47796554359261]
モデル選択の最も単純な非自明な例を考える: 単純な多重武装バンディット問題と線形文脈バンディット問題とを区別する。
データ適応的な方法で探索する新しいアルゴリズムを導入し、$mathcalO(dalpha T1- alpha)$という形式の保証を提供する。
我々のアプローチは、いくつかの仮定の下で、ネストされた線形文脈包帯のモデル選択に拡張する。
論文 参考訳(メタデータ) (2021-11-08T18:05:35Z) - Exploring Dynamic Selection of Branch Expansion Orders for Code
Generation [43.027059412639]
Seq2Treeモデルにコンテキストベースのブランチセレクタを装備する。
セレクタは、マルチブランチノードに対するブランチの最適な拡張順序を動的に決定できる。
いくつかの一般的なデータセットに対する実験結果と詳細な分析により,本手法の有効性と汎用性を示した。
論文 参考訳(メタデータ) (2021-06-01T06:52:41Z) - Improving Robustness and Generality of NLP Models Using Disentangled
Representations [62.08794500431367]
スーパービジョンニューラルネットワークはまず入力$x$を単一の表現$z$にマップし、次に出力ラベル$y$にマッピングする。
本研究では,非交叉表現学習の観点から,NLPモデルの堅牢性と汎用性を改善する手法を提案する。
提案した基準でトレーニングしたモデルは、広範囲の教師付き学習タスクにおいて、より堅牢性とドメイン適応性を向上することを示す。
論文 参考訳(メタデータ) (2020-09-21T02:48:46Z) - Particle-Gibbs Sampling For Bayesian Feature Allocation Models [77.57285768500225]
最も広く使われているMCMC戦略は、特徴割り当て行列のギブス更新に頼っている。
単一移動で特徴割り当て行列の全行を更新できるギブスサンプリング器を開発した。
このサンプルは、計算複雑性が特徴数で指数関数的にスケールするにつれて、多数の特徴を持つモデルにとって実用的ではない。
我々は,行ワイズギブズ更新と同じ分布を目標としたパーティクルギブズサンプルの開発を行うが,特徴数でのみ線形に増大する計算複雑性を有する。
論文 参考訳(メタデータ) (2020-01-25T22:11:51Z)
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。