論文の概要: Hybrid Classification and Reasoning for Image-based Constraint Solving
- arxiv url: http://arxiv.org/abs/2003.11001v1
- Date: Tue, 24 Mar 2020 17:39:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:05:21.391569
- Title: Hybrid Classification and Reasoning for Image-based Constraint Solving
- Title（参考訳）: 画像に基づく制約解決のためのハイブリッド分類と推論
- Authors: Maxime Mulamba, Jayanta Mandi, Rocsildes Canoy, Tias Guns
- Abstract要約: 我々は、与えられたセル桁を手書きし、その画像として提供するプロトタイプ問題として「視覚スドク」を用いる。
本稿では,制約解法による画像分類のハイブリッド化について検討する。
以上の結果から,このようなハイブリッドアプローチは,予測(確率)と制約解のさらなる統合を促進するために,別のアプローチよりもはるかに優れていることが示唆された。
- 参考スコア（独自算出の注目度）: 12.10105187607249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is an increased interest in solving complex constrained problems where
part of the input is not given as facts but received as raw sensor data such as
images or speech. We will use "visual sudoku" as a prototype problem, where the
given cell digits are handwritten and provided as an image thereof. In this
case, one first has to train and use a classifier to label the images, so that
the labels can be used for solving the problem. In this paper, we explore the
hybridization of classifying the images with the reasoning of a constraint
solver. We show that pure constraint reasoning on predictions does not give
satisfactory results. Instead, we explore the possibilities of a tighter
integration, by exposing the probabilistic estimates of the classifier to the
constraint solver. This allows joint inference on these probabilistic
estimates, where we use the solver to find the maximum likelihood solution. We
explore the trade-off between the power of the classifier and the power of the
constraint reasoning, as well as further integration through the additional use
of structural knowledge. Furthermore, we investigate the effect of calibration
of the probabilistic estimates on the reasoning. Our results show that such
hybrid approaches vastly outperform a separate approach, which encourages a
further integration of prediction (probabilities) and constraint solving.
- Abstract（参考訳）: 入力の一部が事実として与えられず、画像や音声などの生のセンサデータとして受信される複雑な制約付き問題を解くことへの関心が高まっている。
我々は、与えられたセル桁を手書きし、その画像として提供するプロトタイプ問題として「視覚スドク」を用いる。
この場合、まずイメージをラベル付けするために分類器を訓練し、使用しなければなりません。
本稿では,制約ソルバの推論を用いて画像分類のハイブリダイゼーションについて検討する。
予測に対する純粋な制約推論は十分な結果を与えないことを示す。
代わりに、分類器の確率的推定を制約解法に公開することにより、より緊密な積分の可能性を探る。
これにより、確率的推定に対する共同推論が可能になり、解法を用いて最大確率解を求める。
分類器の力と制約推論の力のトレードオフについて検討するとともに,構造知識の付加的利用によるさらなる統合について検討する。
さらに,確率的推定の校正が推論に及ぼす影響について検討した。
その結果,このようなハイブリッドアプローチは,予測(確率)と制約解決のさらなる統合を促進するため,別のアプローチを大きく上回っていることがわかった。
関連論文リスト
- Provably Efficient Learning in Partially Observable Contextual Bandit [4.910658441596583]
古典的帯域幅アルゴリズムの改善に因果境界をどのように適用できるかを示す。
本研究は,実世界の応用における文脈的包括的エージェントの性能を高める可能性を秘めている。
論文 参考訳（メタデータ） (2023-08-07T13:24:50Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳（メタデータ） (2023-02-28T00:04:22Z) - A Learning-Based Optimal Uncertainty Quantification Method and Its
Application to Ballistic Impact Problems [1.713291434132985]
本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。
本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。
本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
論文 参考訳（メタデータ） (2022-12-28T14:30:53Z) - RIGID: Robust Linear Regression with Missing Data [7.638042073679073]
機能に欠落したエントリで線形回帰を行うための堅牢なフレームワークを提案する。
本稿では,変数間の依存性を自然に考慮した定式化が,凸プログラムに還元されることを示す。
詳細な分析に加えて,提案するフレームワークの挙動を分析し,技術的議論を行う。
論文 参考訳（メタデータ） (2022-05-26T21:10:17Z) - Deep Probabilistic Graph Matching [72.6690550634166]
本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。
提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
論文 参考訳（メタデータ） (2022-01-05T13:37:27Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Leveraging Unlabeled Data for Entity-Relation Extraction through
Probabilistic Constraint Satisfaction [54.06292969184476]
シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。
本手法では,論理文の正確な意味を捉える意味的損失を用いる。
低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
論文 参考訳（メタデータ） (2021-03-20T00:16:29Z) - Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。
画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-09T12:26:27Z) - On Bayesian Search for the Feasible Space Under Computationally
Expensive Constraints [0.0]
実現可能空間と実現不可能空間の境界に解が存在する確率を結合した新しい獲得関数を提案する。
実験により提案機能の有効性が確認された。
論文 参考訳（メタデータ） (2020-04-23T10:22:32Z) - Zero-Assignment Constraint for Graph Matching with Outliers [40.02444837257561]
本稿では,ゼロアサインメント制約 (ZAC) を用いて,外乱の存在下でのグラフマッチング問題にアプローチする。
基礎となる考え方は、ゼロ値ベクトルを得られた最適対応行列のポテンシャル外値に割り当てることにより、外値のマッチングを抑えることである。
我々は,多数のアウトレーラによる誤りや冗長なマッチングを著しく低減するために,効率的なアウトレーラ・ロバストアルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-26T14:11:10Z)
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。