論文の概要: Sound, Complete, Linear-Space, Best-First Diagnosis Search

• arxiv url: http://arxiv.org/abs/2009.12190v2
• Date: Thu, 4 Aug 2022 13:22:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 22:57:13.084333
• Title: Sound, Complete, Linear-Space, Best-First Diagnosis Search
• Title（参考訳）: 音響, 完全, 線形空間, ベストファースト診断検索
• Authors: Patrick Rodler
• Abstract要約: 我々はKorfのよく知られたRBFSアルゴリズムに基づく診断探索法RBF-HSを提案する。 RBF-HSは、線形空間境界の中で最優先の順序で任意の数の断層説明を列挙することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Various model-based diagnosis scenarios require the computation of the most preferred fault explanations. Existing algorithms that are sound (i.e., output only actual fault explanations) and complete (i.e., can return all explanations), however, require exponential space to achieve this task. As a remedy, to enable successful diagnosis on memory-restricted devices and for memory-intensive problem cases, we propose RBF-HS, a diagnostic search method based on Korf's well-known RBFS algorithm. RBF-HS can enumerate an arbitrary fixed number of fault explanations in best-first order within linear space bounds, without sacrificing the desirable soundness or completeness properties. Evaluations using real-world diagnosis cases show that RBF-HS, when used to compute minimum-cardinality fault explanations, in most cases saves substantial space (up to 98 %) while requiring only reasonably more or even less time than Reiter's HS-Tree, a commonly used and as generally applicable sound, complete and best-first diagnosis search.
• Abstract（参考訳）: 様々なモデルに基づく診断シナリオは、最も望ましい故障説明の計算を必要とする。 既存のアルゴリズム(すなわち、実際の故障説明のみを出力する)と完全(すなわち全ての説明を返す)は、このタスクを達成するために指数空間を必要とする。 そこで本研究では,メモリ制限されたデバイス上での診断とメモリ集約的な問題に対して,korf のよく知られた rbfs アルゴリズムに基づく診断探索法である rbf-hs を提案する。 RBF-HSは、望ましい音性や完全性を犠牲にすることなく、線形空間境界内で最優先で任意の数の故障説明を列挙することができる。 実世界の診断ケースを用いた評価では、RBF-HSは最小限の心不全の説明を計算するのに使われる場合、ほとんどの場合、相当な空間(最大98%)を節約するが、ReiterのHS-Treeよりもある程度の時間しか必要としない。

関連論文リスト

• CFaults: Model-Based Diagnosis for Fault Localization in C Programs with Multiple Test Cases [0.0]
  本稿では,複数の障害を持つCプログラムに対して,新しい障害局所化手法を提案する。 CFaultsは、複数の観察でモデルベース診断(MBD)を活用し、失敗したすべてのテストケースを統一されたMaxSAT公式に集約する。 C プログラムのベンチマークセット TCAS と C-Pack-IPAs の実験結果から,CFaults は他の FBFL の手法よりも高速であることがわかった。
  論文  参考訳（メタデータ） (2024-07-12T15:14:49Z)
• A More General Theory of Diagnosis from First Principles [2.693342141713236]
  我々は、Reiterの理論を、考慮されたシステムの種類や診断に非依存であると一般化する。 最小限の診断の計算は、診断仮説の空間を探索することで達成される。 満足度と探索性に基づくテスト解法を用いて,これらのアルゴリズムの2つの実装を提案する。
  論文  参考訳（メタデータ） (2023-09-28T05:47:52Z)
• FastDiagP: An Algorithm for Parallelized Direct Diagnosis [64.65251961564606]
  FastDiagは、競合を事前に決定せずに診断計算をサポートする典型的な直接診断アルゴリズムである。 本稿では,投機的プログラミングのアイデアに基づく新しいアルゴリズムであるFastDiagPを提案する。 このメカニズムは、高速な回答で一貫性チェックを提供し、アルゴリズムのランタイムパフォーマンスを高めるのに役立つ。
  論文  参考訳（メタデータ） (2023-05-11T16:26:23Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)
• An Efficient Diagnosis Algorithm for Inconsistent Constraint Sets [68.8204255655161]
  過制約問題における最小限の障害制約を識別する分割・分散型診断アルゴリズム(FastDiag)を提案する。 ヒットセットの競合指向計算とfastdiagを比較し,詳細な性能解析を行う。
  論文  参考訳（メタデータ） (2021-02-17T19:55:42Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• DynamicHS: Streamlining Reiter's Hitting-Set Tree for Sequential Diagnosis [0.0]
  診断セッションを通じて状態を維持するHS-Treeの変種であるDynamicHSを提案する。 DynamicHSの理由を証明し、HS-Treeのwrtに明確な優越性を証明します。 計算時間。
  論文  参考訳（メタデータ） (2020-12-21T01:59:19Z)
• RBF-HS: Recursive Best-First Hitting Set Search [0.0]
  本稿では,2つの新しい診断アルゴリズムを提案する。 RBF-HS (Recursive Best-First Hitting Set Search)とHBF-HS (Hybrid Best-First Hitting Set Search) 最小限の心不全説明の計算では,RBF-HSがメモリ要求を大幅に削減することがわかった。
  論文  参考訳（メタデータ） (2020-10-08T22:09:39Z)
• Progressively Pretrained Dense Corpus Index for Open-Domain Question Answering [87.32442219333046]
  本稿では,段落エンコーダを事前学習するための簡易かつ資源効率の高い手法を提案する。 本手法は,事前学習に7倍の計算資源を使用する既存の高密度検索法より優れている。
  論文  参考訳（メタデータ） (2020-04-30T18:09:50Z)

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。