論文の概要: At-Most-One Constraints in Efficient Representations of Mutex Networks
- arxiv url: http://arxiv.org/abs/2006.05962v1
- Date: Wed, 10 Jun 2020 17:21:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 05:43:25.716460
- Title: At-Most-One Constraints in Efficient Representations of Mutex Networks
- Title（参考訳）: ミューテックスネットワークの効率的な表現における最大の制約
- Authors: Pavel Surynek
- Abstract要約: At-Most-One (AMO) 制約は、TRUEにセットされるブール変数の集合から少なくとも1つの変数を必要とする濃度制約の特別なケースである。
様々なエンコーディングを用いたAMO制約で表されるミューテックスネットワークにおけるSATベースの問題解決の比較を示す。
- 参考スコア（独自算出の注目度）: 15.99072005190786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The At-Most-One (AMO) constraint is a special case of cardinality constraint
that requires at most one variable from a set of Boolean variables to be set to
TRUE. AMO is important for modeling problems as Boolean satisfiability (SAT)
from domains where decision variables represent spatial or temporal placements
of some objects that cannot share the same spatial or temporal slot. The AMO
constraint can be used for more efficient representation and problem solving in
mutex networks consisting of pair-wise mutual exclusions forbidding pairs of
Boolean variable to be simultaneously TRUE. An on-line method for automated
detection of cliques for efficient representation of incremental mutex networks
where new mutexes arrive using AMOs is presented. A comparison of SAT-based
problem solving in mutex networks represented by AMO constraints using various
encodings is shown.
- Abstract（参考訳）: At-Most-One(AMO)制約は、TRUEにセットされるブール変数のセットから少なくとも1つの変数を必要とする濃度制約の特別なケースである。
AMOは、決定変数が同じ空間的または時間的スロットを共有することができないいくつかのオブジェクトの空間的または時間的配置を表す領域からのブール満足度(SAT)をモデル化するために重要である。
amo制約は、boolean変数のペアを同時に禁止する対の相互排他からなるミューテックスネットワークにおけるより効率的な表現と問題解決に使うことができる。
AMOを用いて新しいミューテックスが到着するインクリメンタルミューテックスネットワークの効率的な表現のためのクリプトの自動検出方法を提案する。
様々なエンコーディングを用いたAMO制約で表されるミューテックスネットワークにおけるSATベースの問題解決の比較を示す。
関連論文リスト
- Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。
最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。
本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2024-10-09T15:02:28Z) - Tackling Universal Properties of Minimal Trap Spaces of Boolean Networks [7.621862131380908]
最小トラップ空間(MTS)はブール力学が捕捉される部分空間をキャプチャする。
MTSの普遍性に関する論理的推論を2つの問題の範囲で解決する。
本稿では,これらの問題を効率的に解くために,CEGAR(Counter-Example Guided Refinement Abstraction)を導入する。
論文 参考訳（メタデータ） (2023-05-03T22:05:33Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳（メタデータ） (2022-11-16T18:59:54Z) - SimT: Handling Open-set Noise for Domain Adaptive Semantic Segmentation [58.61946589036262]
本稿では,ブラックボックスモデルを用いて,擬似ラベル付きターゲットデータのみにアクセス可能な実用的なドメイン適応(DA)セマンティックセマンティックセマンティクス問題について検討する。
ドメインギャップと2つのドメイン間のラベルシフトのため、擬似ラベル付きターゲットデータには、クローズドセットとオープンセットのラベルノイズが混在している。
DAセマンティックセグメンテーションにおける混合雑音分布をモデル化し、SimTの推定として問題を定式化するための単純なノイズ遷移行列(SimT)を提案する。
論文 参考訳（メタデータ） (2022-03-29T02:48:08Z) - Improving Out-of-Distribution Robustness via Selective Augmentation [61.147630193060856]
機械学習アルゴリズムは、トレーニングとテスト例が同じ分布から引き出されると仮定する。
分散シフトは現実世界のアプリケーションでは一般的な問題であり、テスト時にモデルが劇的に悪化する可能性がある。
LISAと呼ばれる選択的な拡張によって不変関数を学習するミックスアップ方式を提案する。
論文 参考訳（メタデータ） (2022-01-02T05:58:33Z) - Transformer-based Machine Learning for Fast SAT Solvers and Logic
Synthesis [63.53283025435107]
CNFベースのSATとMaxSATは論理合成と検証システムの中心である。
そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
論文 参考訳（メタデータ） (2021-07-15T04:47:35Z) - ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。
FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。
reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
論文 参考訳（メタデータ） (2020-12-27T02:38:45Z) - Exchangeable Neural ODE for Set Modeling [13.582728834152062]
常微分方程式(ODE)による置換等式を実現するためのより一般的な定式化を提案する。
提案するモジュールであるExNODE(Exchangeable Neural ODE)は,識別タスクと生成タスクの両方にシームレスに適用できる。
また、時間次元における集合モデリングを拡張し、時間的集合モデリングのためのVAEベースモデルを提案する。
論文 参考訳（メタデータ） (2020-08-06T14:11:36Z) - Improve Variational Autoencoder for Text Generationwith Discrete Latent
Bottleneck [52.08901549360262]
変分オートエンコーダ(VAE)は、エンドツーエンドの表現学習において必須のツールである。
VAEは強い自己回帰デコーダで潜伏変数を無視する傾向がある。
よりコンパクトな潜在空間において暗黙的な潜在特徴マッチングを強制する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2020-04-22T14:41:37Z)
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。