論文の概要: A Machine Learning guided Rewriting Approach for ASP Logic Programs

• arxiv url: http://arxiv.org/abs/2009.10252v1
• Date: Tue, 22 Sep 2020 00:51:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 21:58:22.130262
• Title: A Machine Learning guided Rewriting Approach for ASP Logic Programs
• Title（参考訳）: ASP論理プログラムのための機械学習ガイドによる書き換え手法
• Authors: Elena Mastria (Department of Mathematics and Computer Science, University of Calabria, Italy), Jessica Zangari (Department of Mathematics and Computer Science, University of Calabria, Italy), Simona Perri (Department of Mathematics and Computer Science, University of Calabria, Italy), Francesco Calimeri (Department of Mathematics and Computer Science, University of Calabria, Italy)
• Abstract要約: 機械学習(ML)に基づいて、書き換えるかどうかを自動決定するアプローチについて説明する。 特に、ASPプログラムと入力事実のセットが与えられた場合、我々のアプローチは、それらの構造特性とドメイン情報を測定する一連の機能に基づいて、入力ルールを書き換えるかどうかと方法を選択する。
• 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: Answer Set Programming (ASP) is a declarative logic formalism that allows to encode computational problems via logic programs. Despite the declarative nature of the formalism, some advanced expertise is required, in general, for designing an ASP encoding that can be efficiently evaluated by an actual ASP system. A common way for trying to reduce the burden of manually tweaking an ASP program consists in automatically rewriting the input encoding according to suitable techniques, for producing alternative, yet semantically equivalent, ASP programs. However, rewriting does not always grant benefits in terms of performance; hence, proper means are needed for predicting their effects with this respect. In this paper we describe an approach based on Machine Learning (ML) to automatically decide whether to rewrite. In particular, given an ASP program and a set of input facts, our approach chooses whether and how to rewrite input rules based on a set of features measuring their structural properties and domain information. To this end, a Multilayer Perceptrons model has then been trained to guide the ASP grounder I-DLV on rewriting input rules. We report and discuss the results of an experimental evaluation over a prototypical implementation.
• Abstract（参考訳）: Answer Set Programming (ASP) は、論理プログラムを通じて計算問題をエンコードできる宣言論理形式である。 形式主義の宣言的な性質にもかかわらず、いくつかの高度な専門知識は、一般に、実際のASPシステムによって効率的に評価できるASPエンコーディングを設計するために必要である。 ASPプログラムを手動で微調整する作業の負担を軽減するための一般的な方法は、適切なテクニックに従って入力エンコーディングを自動的に書き換えることである。 しかし、書き直しが必ずしもパフォーマンスの面で利益を与えるとは限らないため、この点においてその効果を予測するには適切な手段が必要である。 本稿では,機械学習(ML)に基づいて書き直しを自動決定する手法について述べる。 特に、aspプログラムと一連の入力事実を与えられた場合、その構造的特性とドメイン情報を測定する一連の特徴に基づいて、入力ルールを書き換えるかどうかと方法を選択する。 この目的のために、Multilayer Perceptronsモデルがトレーニングされ、ASPのグラウンドI-DLVを入力ルールの書き換えについてガイドする。 原型的実装における実験評価の結果について報告する。

関連論文リスト

• Relating Answer Set Programming and Many-sorted Logics for Formal Verification [1.223779595809275]
  私の研究課題は、ASP検証をアクセス可能で日常的なタスクにする意図で、3つの問題に対処することに集中しています。 ASP の代替セマンティクスを,この辺りで多種多様な一階述語論理の論理への変換に基づいて検討した。 これらのセマンティクスは、論理プログラムのモジュラー理解を促進し、基底をバイパスし、自動定理プロバーを使用してプログラムのプロパティを自動検証することを可能にする。
  論文  参考訳（メタデータ） (2025-02-13T11:52:40Z)
• Direct Encoding of Declare Constraints in ASP [9.599644507730106]
  Declare制約のための新しいエンコーディングを導入し、それらのセマンティクスを直接ASPルールとしてモデル化する。 本稿では,2つのプロセスマイニングタスクにおける新しい手法の有効性を評価する。
  論文  参考訳（メタデータ） (2024-12-13T14:11:33Z)
• SEP: Self-Enhanced Prompt Tuning for Visual-Language Model [93.94454894142413]
  SEP(Self-Enhanced Prompt Tuning)という新しいアプローチを導入する。 SEPは、テキストレベルの埋め込みと視覚レベルの埋め込みの両方を強化するために、差別的な事前知識を明示的に取り入れている。 様々なベンチマークやタスクの総合的な評価は、プロンプトチューニングにおけるSEPの有効性を確認している。
  論文  参考訳（メタデータ） (2024-05-24T13:35:56Z)
• NExT: Teaching Large Language Models to Reason about Code Execution [50.93581376646064]
  大規模言語モデル(LLM)のコードは通常、プログラムの表面テキスト形式に基づいて訓練される。 NExTは,プログラムの実行トレースを検査し,実行時の動作を判断する手法である。
  論文  参考訳（メタデータ） (2024-04-23T01:46:32Z)
• CNL2ASP: converting controlled natural language sentences into ASP [4.747324197963404]
  制御された自然言語(CNL)形式で表現された英語文をASP.NETに翻訳する新しいツールCNL2ASPを提案する。
  論文  参考訳（メタデータ） (2023-11-17T13:10:58Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
  強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。 従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。 本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
  論文  参考訳（メタデータ） (2022-11-21T22:38:20Z)
• Tools and Methodologies for Verifying Answer Set Programs [0.0]
  ASP.NETは強力な宣言型プログラミングパラダイムで、検索と最適化の課題を解決するのによく使われます。 知識表現と推論へのアプローチとして、ASPはその単純さ、簡潔さ、厳密に定義されたセマンティクスから恩恵を受ける。 私の研究は、ASPプロガムの検証をサポートする理論とツールの拡張に関するものです。
  論文  参考訳（メタデータ） (2022-08-05T10:50:21Z)
• Modelling Multi-Agent Epistemic Planning in ASP [66.76082318001976]
  本稿では,マルチショット・アンサー・セット・プログラミング・ベース・プランナの実装について述べる。 本稿は, アドホックなエピステミック状態表現とASPソルバの効率を生かしたプランナーが, 文献から収集したベンチマークに対して, 競合的な性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-08-07T06:35:56Z)
• The ILASP system for Inductive Learning of Answer Set Programs [79.41112438865386]
  我々のシステムは、通常の規則、選択規則、厳しい制約を含むアンサーセットプログラムを学習する。 まず、ILASPの学習フレームワークとその機能の概要を説明します。 続いて、ILASPシステムの進化を概観する。
  論文  参考訳（メタデータ） (2020-05-02T19:04:12Z)
• selp: A Single-Shot Epistemic Logic Program Solver [19.562205966997947]
  Epistemic Logic Programs (ELP) は Answer Set Programming (ASP) の拡張である また, 有界アリティを持つ非地上ASPへの ELP からの直接変換が存在することを示す。 次に、この符号化手法を、最近提案された大規模かつ非地上的なASPルールを扱う手法を用いて、プロトタイプのELP解決システム「セルプ」に実装する。
  論文  参考訳（メタデータ） (2020-01-04T15:36:31Z)

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。