論文の概要: Manthan: A Data Driven Approach for Boolean Function Synthesis
- arxiv url: http://arxiv.org/abs/2005.06922v1
- Date: Thu, 14 May 2020 12:44:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 04:37:34.657258
- Title: Manthan: A Data Driven Approach for Boolean Function Synthesis
- Title(参考訳): Manthan: ブール関数合成のためのデータ駆動アプローチ
- Authors: Priyanka Golia, Subhajit Roy, and Kuldeep S. Meel
- Abstract要約: ブール関数合成に対する新しいデータ駆動型アプローチであるManthanを提案する。
マンサンは356のベンチマークを280と比較し、最先端の技術によって最も解決された。
Manthan氏は60のベンチマークを解決した。
- 参考スコア(独自算出の注目度): 35.159590750027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Boolean functional synthesis is a fundamental problem in computer science
with wide-ranging applications and has witnessed a surge of interest resulting
in progressively improved techniques over the past decade. Despite intense
algorithmic development, a large number of problems remain beyond the reach of
the state of the art techniques. Motivated by the progress in machine learning,
we propose Manthan, a novel data-driven approach to Boolean functional
synthesis. Manthan views functional synthesis as a classification problem,
relying on advances in constrained sampling for data generation, and advances
in automated reasoning for a novel proof-guided refinement and provable
verification. On an extensive and rigorous evaluation over 609 benchmarks, we
demonstrate that Manthan significantly improves upon the current state of the
art, solving 356 benchmarks in comparison to 280, which is the most solved by a
state of the art technique; thereby, we demonstrate an increase of 76
benchmarks over the current state of the art. Furthermore, Manthan solves 60
benchmarks that none of the current state of the art techniques could solve.
The significant performance improvements, along with our detailed analysis,
highlights several interesting avenues of future work at the intersection of
machine learning, constrained sampling, and automated reasoning.
- Abstract(参考訳): ブール関数合成は、幅広い応用を持つコンピュータ科学の根本的問題であり、過去10年間に徐々に改善された技術が注目されている。
アルゴリズム開発が盛んであるにもかかわらず、多くの問題は最先端の技術に届かないままである。
機械学習の進歩に動機づけられ、boolean関数合成に対する新しいデータ駆動アプローチであるmanthanを提案する。
マンタンは関数合成を分類問題として捉え、データ生成のための制約付きサンプリングの進歩と、新しい証明ガイドによる改良と証明可能な検証のための自動推論の進歩と考えている。
609ベンチマーク以上の広範囲で厳密な評価を行った結果、マンタンは現在の技術水準において大幅に改善し、356ベンチマークを解き、最先端の技術技術によって最も解決された280ベンチマークと比較し、76ベンチマークの増加を実証した。
さらにmanthan氏は、現在の技術では解決できない60のベンチマークも解決している。
重要なパフォーマンス改善は、詳細な分析とともに、機械学習、制約付きサンプリング、自動推論の交差点における今後の研究の興味深い方法をいくつか挙げています。
関連論文リスト
- Key-Point-Driven Data Synthesis with its Enhancement on Mathematical
Reasoning [116.3631185427079]
大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を示している。
KPMathは、現在までの数学的推論に適した、最も広範な合成データセットである。
KPMath-Plus上のMistral-7Bモデルを微調整すると、MATHテストセットでのPASS@1の精度は39.3%になる。
論文 参考訳(メタデータ) (2024-03-04T18:58:30Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳(メタデータ) (2023-10-11T15:21:40Z) - Self-Polish: Enhance Reasoning in Large Language Models via Problem
Refinement [53.68527732113678]
本稿では,モデルの問題解決プロセスを容易にする新しい手法であるSelf-Polish(SP)を提案する。
SPは、無関係な情報を排除し、論理構造を再構成し、局所条件を新しいものに並列に整理するようにモデルに教える。
提案手法の有効性を明らかにするため,5つのベンチマークで徹底的な実験を行った。
論文 参考訳(メタデータ) (2023-05-23T19:58:30Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳(メタデータ) (2022-06-21T01:46:38Z) - Process Extraction from Text: Benchmarking the State of the Art and
Paving the Way for Future Challenges [18.485565445940175]
既存のソリューションが、モデル抽出問題をどの程度解決できるか、どのように互いに比較できるかは、不明である。
定性的側面と定量的側面の両方を網羅した,モデル抽出のための10の最先端手法を体系的に比較した。
その結果,パフォーマンス面では3つの異なるツール群が示され,優れたスコアと重大な制限が得られなかった。
論文 参考訳(メタデータ) (2021-10-07T19:12:24Z) - Engineering an Efficient Boolean Functional Synthesis Engine [22.075107339383255]
入力と出力の集合間のブール仕様が与えられたとき、関数合成の問題は、各出力を仕様が満たされるような入力の関数として合成することである。
関数合成のためのデータ駆動型フレームワークに対して,4つのアルゴリズム改良を提案する。
Manthan2はManthanに比べて実行時のパフォーマンスが大幅に向上した。
論文 参考訳(メタデータ) (2021-08-12T13:01:49Z) - Exploring the Efficacy of Automatically Generated Counterfactuals for
Sentiment Analysis [17.811597734603144]
本稿では,データ拡張と説明のためのデファクトデータの自動生成手法を提案する。
いくつかの異なるデータセットに対する包括的な評価と、さまざまな最先端ベンチマークの使用により、我々のアプローチがモデルパフォーマンスを大幅に改善できることを示す。
論文 参考訳(メタデータ) (2021-06-29T10:27:01Z) - A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。
そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文 参考訳(メタデータ) (2020-09-25T12:01:53Z)
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。