論文の概要: Conflict Generalisation in ASP: Learning Correct and Effective Non-Ground Constraints

• arxiv url: http://arxiv.org/abs/2008.03100v1
• Date: Fri, 7 Aug 2020 12:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 01:19:35.680817
• Title: Conflict Generalisation in ASP: Learning Correct and Effective Non-Ground Constraints
• Title（参考訳）: aspにおけるコンフリクト一般化: 正確かつ効果的な非地上制約の学習
• Authors: Richard Taupe, Antonius Weinzierl, Gerhard Friedrich
• Abstract要約: ある問題を解く際に学んだ知識の一般化と再利用は、最先端の解法によって無視されている。 将来的な問題インスタンスの解決を高速化するために、再利用のノウハウを一般化する新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 3.8673630752805432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalising and re-using knowledge learned while solving one problem instance has been neglected by state-of-the-art answer set solvers. We suggest a new approach that generalises learned nogoods for re-use to speed-up the solving of future problem instances. Our solution combines well-known ASP solving techniques with deductive logic-based machine learning. Solving performance can be improved by adding learned non-ground constraints to the original program. We demonstrate the effects of our method by means of realistic examples, showing that our approach requires low computational cost to learn constraints that yield significant performance benefits in our test cases. These benefits can be seen with ground-and-solve systems as well as lazy-grounding systems. However, ground-and-solve systems suffer from additional grounding overheads, induced by the additional constraints in some cases. By means of conflict minimization, non-minimal learned constraints can be reduced. This can result in significant reductions of grounding and solving efforts, as our experiments show. (Under consideration for acceptance in TPLP.)
• Abstract（参考訳）: ある問題を解く際に学んだ知識の一般化と再利用は、最先端の解法によって無視されている。 将来的な問題インスタンスの解決を高速化するために、再利用のノウハウを一般化する新しいアプローチを提案する。 我々のソリューションは、よく知られたASPの問題解決技術と推論ロジックベースの機械学習を組み合わせる。 元のプログラムに学習した非基底的制約を追加することで、パフォーマンスを向上することができる。 実例を用いて本手法の効果を実証し,本手法はテストケースで有意な性能上の利点をもたらす制約を学習するために低計算コストを必要とすることを示した。 これらの利点は、地上分解システムや遅延接地システムで見ることができる。 しかし、グラウンド・アンド・ソルフシステムは、追加の制約によって引き起こされる追加のグラウンドングオーバーヘッドに苦しんでいる。 競合最小化により、最小限の学習制約を削減できる。 これは、実験が示すように、接地と解決の努力を大幅に削減する可能性がある。 (TPLPの受容についての検討)

関連論文リスト

• Efficient Imitation Learning with Conservative World Models [54.52140201148341]
  報酬機能のない専門家によるデモンストレーションから政策学習の課題に取り組む。 純粋な強化学習ではなく、微調整問題として模倣学習を再構成する。
  論文  参考訳（メタデータ） (2024-05-21T20:53:18Z)
• Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
  機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。 これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。 この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2024-03-18T14:55:45Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Efficient lifting of symmetry breaking constraints for complex combinatorial problems [9.156939957189502]
  この作業は、Answer Set Programmingのためのモデルベースのアプローチの学習フレームワークと実装を拡張します。 Inductive Logic Programming System ILASPに新たなコンフリクト解析アルゴリズムを組み込む。
  論文  参考訳（メタデータ） (2022-05-14T20:42:13Z)
• Exploring Viable Algorithmic Options for Learning from Demonstration (LfD): A Parameterized Complexity Approach [0.0]
  本稿では,パラメータ化複雑性解析を用いて,アルゴリズムの選択肢を体系的に探索する方法を示す。 環境、実演、ポリシーに対する多くの(しばしば同時に)制限に対して、我々の問題は、一般的にも、あるいは相対的に、効率的に解決できないことを示す。
  論文  参考訳（メタデータ） (2022-05-10T15:54:06Z)
• Constrained Learning with Non-Convex Losses [119.8736858597118]
  学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
  論文  参考訳（メタデータ） (2021-03-08T23:10:33Z)
• Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
  影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。 本稿では,理論的観点から,そのような手法の性能について考察する。 交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-03T15:33:10Z)
• Probably Approximately Correct Constrained Learning [135.48447120228658]
  我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。 PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。 このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
  論文  参考訳（メタデータ） (2020-06-09T19:59:29Z)
• Teaching the Old Dog New Tricks: Supervised Learning with Constraints [18.88930622054883]
  機械学習に制約サポートを追加することは、データ駆動型AIシステムにおいて際立った問題に対処する可能性がある。 既存のアプローチでは、MLトレーニングに制約付き最適化手法を適用し、モデル設計を調整することによって制約満足度を強制するか、あるいは出力を修正するために制約を使用するのが一般的である。 そこで本研究では,教師付きML手法に対する制約満足度を,最先端制約解決器の直接利用により,それぞれ異なる,補完的な制約満足度に基づく戦略について検討する。
  論文  参考訳（メタデータ） (2020-02-25T09:47:39Z)

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。