Fugu-MT 論文翻訳(概要): Safety Synthesis Sans Specification

論文の概要: Safety Synthesis Sans Specification

arxiv url: http://arxiv.org/abs/2011.07630v2
Date: Fri, 27 Nov 2020 13:25:02 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 07:50:44.079123
Title: Safety Synthesis Sans Specification
Title（参考訳）: 安全合成サンス仕様
Authors: Roderick Bloem and Hana Chockler and Masoud Ebrahimi and Dana Fisman and Heinz Riener
Abstract要約: ハードウェアおよびソフトウェア検証の多くの状況において、これは自然な問題である、と私たちは主張する。この問題に対する学習アルゴリズムを考案し、その時間とクエリの複雑さが、対象言語のランク、不適合性尺度、与えられた反例の最大長に関するものであることを示す。
参考スコア（独自算出の注目度）: 5.874782446136914
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We define the problem of learning a transducer ${S}$ from a target language $U$ containing possibly conflicting transducers, using membership queries and conjecture queries. The requirement is that the language of ${S}$ be a subset of $U$. We argue that this is a natural question in many situations in hardware and software verification. We devise a learning algorithm for this problem and show that its time and query complexity is polynomial with respect to the rank of the target language, its incompatibility measure, and the maximal length of a given counterexample. We report on experiments conducted with a prototype implementation.
Abstract（参考訳）: 我々は、メンバシップクエリと推測クエリを使用して、競合する可能性のあるトランスデューサを含むターゲット言語である$u$から、transducer ${s}$を学習する問題を定義する。要件は${S}$の言語が$U$のサブセットであることである。ハードウェアおよびソフトウェア検証の多くの状況において、これは自然な問題である、と私たちは主張する。本稿では,この問題に対する学習アルゴリズムを考案し,その時間と問合せの複雑さが,対象言語のランク,非互換性尺度,与えられた反例の最大長に関して多項式であることを示す。本稿では,プロトタイプによる実験について報告する。

関連論文リスト

$\texttt{LM}^\texttt{2}$: A Simple Society of Language Models Solves Complex Reasoning [22.810441504080703]
大規模言語モデル(LLMS)は複雑で多段階の推論をしばしば失う。本稿では,これらの課題に対処するためにLM2を提案する。 LM2は分解、解法、検証を3つの異なる言語モデルにモジュール化する。
論文参考訳（メタデータ） (2024-04-02T19:23:10Z)
Decomposing Hard SAT Instances with Metaheuristic Optimization [52.03315747221343]
分解硬度(d硬度)の概念を導入する。 d-硬度が$C$ w.r.tの硬度の推定値を示すことを示す。
論文参考訳（メタデータ） (2023-12-16T12:44:36Z)
Chain of Code: Reasoning with a Language Model-Augmented Code Emulator [115.16975276693267]
我々は、LMコード駆動推論を改善するシンプルながら驚くほど効果的な拡張であるChain of Codeを提案する。キーとなるアイデアは、プログラム内のセマンティックなサブタスクを、インタープリタが明示的にキャッチできるフレキシブルな擬似コードとしてフォーマットすることを、LMに促すことである。
論文参考訳（メタデータ） (2023-12-07T17:51:43Z)
Frontier Language Models are not Robust to Adversarial Arithmetic, or "What do I need to say so you agree 2+2=5? [88.59136033348378]
言語モデルアライメントのための単純なテストベッドを提供する逆算術の問題を考察する。この問題は自然言語で表される算術的な問題から成り、質問が完了する前に任意の逆文字列を挿入する。これらの攻撃に対して、強化学習やエージェント構成ループを通じて、モデルを部分的に強化できることが示される。
論文参考訳（メタデータ） (2023-11-08T19:07:10Z)
Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。 Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
論文参考訳（メタデータ） (2023-09-25T15:42:18Z)
Robust Approximation Algorithms for Non-monotone $k$-Submodular Maximization under a Knapsack Constraint [0.0]
2つの決定論的近似アルゴリズムは、knapsack制約の下での非単調な$k$-部分モジュラー複雑性の問題に対して提案される。提案アルゴリズムは,非単調な目的に対して,O(nk)$クエリの計算量内で一定の近似比を提供する。
論文参考訳（メタデータ） (2023-09-21T12:42:52Z)
Efficiently Learning One-Hidden-Layer ReLU Networks via Schur Polynomials [50.90125395570797]
正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
論文参考訳（メタデータ） (2023-07-24T14:37:22Z)
Efficient Quantum State Synthesis with One Query [0.0]
本稿では,古典的オラクルへの単一クエリ(重ね合わせ)を実現する時間類似量子アルゴリズムを提案する。我々は、すべての$n$-qubit状態が、適切な有限ゲート集合上の$On/n)$-size回路によって0.01エラー内に構築可能であることを証明した。
論文参考訳（メタデータ） (2023-06-02T17:49:35Z)
There is no Accuracy-Interpretability Tradeoff in Reinforcement Learning for Mazes [64.05903267230467]
相互理解性は,強化学習システムにおける信頼性に不可欠なビルディングブロックである。場合によっては、最適性を保ちつつ、政策の解釈可能性を達成することができることを示す。
論文参考訳（メタデータ） (2022-06-09T04:23:26Z)
Quantum search-to-decision reductions and the state synthesis problem [0.4248594146171025]
量子アルゴリズムは古典的な決定オラクルにクエリを行い、所望の量子状態を出力することを示す。また、逆精度まで$mathsfQMA$問題の証人を生成する量子時間アルゴリズムが存在することも示している。また、より一般的な$textitstate合成問題$を探索し、ターゲット状態の効率的な合成を目標とする。
論文参考訳（メタデータ） (2021-11-04T16:52:58Z)
Learning Languages with Decidable Hypotheses [1.2728819383164875]
極限における言語学習において、最も一般的な仮説は、ある言語の列挙子を与えることである。いわゆる$W$-indexは任意の計算可能可算言語を命名することができる。我々は、任意の決定可能な言語、すなわち特徴関数のプログラムを命名できる別のシステム($C$-indices)を使用している。
論文参考訳（メタデータ） (2020-10-15T09:27:47Z)

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。