論文の概要: The Model Counting Competition 2020
- arxiv url: http://arxiv.org/abs/2012.01323v1
- Date: Wed, 2 Dec 2020 16:52:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:47:11.425706
- Title: The Model Counting Competition 2020
- Title（参考訳）: 2020年モデル計数競争
- Authors: Johannes K. Fichte and Markus Hecher and Florim Hamiti
- Abstract要約: モデルカウント(MC)コンペティションは2019年秋に考案された。
このコンペティションは、アプリケーションを育成し、新しい挑戦的なベンチマークを特定し、新しいソルバを促進することを目的としている。
合計で,8グループから34バージョンで,驚くべき数の解答者を得た。
- 参考スコア（独自算出の注目度）: 3.7706789983985303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many computational problems in modern society account to probabilistic
reasoning, statistics, and combinatorics. A variety of these real-world
questions can be solved by representing the question in (Boolean) formulas and
associating the number of models of the formula directly with the answer to the
question. Since there has been an increasing interest in practical problem
solving for model counting over the last years, the Model Counting (MC)
Competition was conceived in fall 2019. The competition aims to foster
applications, identify new challenging benchmarks, and to promote new solvers
and improve established solvers for the model counting problem and versions
thereof. We hope that the results can be a good indicator of the current
feasibility of model counting and spark many new applications. In this paper,
we report on details of the Model Counting Competition 2020, about carrying out
the competition, and the results. The competition encompassed three versions of
the model counting problem, which we evaluated in separate tracks. The first
track featured the model counting problem (MC), which asks for the number of
models of a given Boolean formula. On the second track, we challenged
developers to submit programs that solve the weighted model counting problem
(WMC). The last track was dedicated to projected model counting (PMC). In
total, we received a surprising number of 9 solvers in 34 versions from 8
groups.
- Abstract（参考訳）: 現代の社会における多くの計算問題は確率論的推論、統計学、コンビネータ学である。
これらの現実世界の様々な質問は、(ブール)式で質問を表現し、公式のモデルの数と質問への答えを直接関連付けることで解決できる。
過去数年間、モデルカウントの実用的な問題解決への関心が高まっているため、モデルカウント(mc)コンペティションが2019年秋に考案された。
このコンペティションは、アプリケーションを育成し、新しい挑戦的なベンチマークを特定し、新しいソルバを促進し、モデルカウント問題とそのバージョンのための確立されたソルバを改善することを目的としている。
結果が、モデルカウントの現在の実現可能性のよい指標になり、多くの新しいアプリケーションを呼び起こすことを願っています。
本稿では,2020年モデル計数競争の詳細と,その実施状況と結果について報告する。
コンペティションには3種類のモデルカウント問題が含まれており、異なるトラックで評価した。
最初のトラックはモデルカウント問題 (MC) を特徴とし、与えられたブール公式のモデル数を求めるものである。
第2のトラックでは、重み付けされたモデルカウント問題(WMC)を解決するプログラムを提出するよう開発者に呼びかけた。
最後のトラックは、予測されたモデルカウント(PMC)に向けられた。
合計で,8グループから34バージョンで,驚くべき数の解答者を得た。
関連論文リスト
- Model Counting in the Wild [31.05707402954459]
モデルカウンタの荒野におけるスケーラビリティの厳密な評価を行う。
我々は、これらのインスタンス上で6つの最先端モデルカウンタを評価し、スケーラビリティと実行時のパフォーマンスを評価する。
私たちの分析は、モデルカウントにおけるポートフォリオベースのアプローチの課題と機会を強調します。
論文 参考訳（メタデータ） (2024-08-13T17:49:46Z) - Second Place Solution of WSDM2023 Toloka Visual Question Answering Challenge [9.915564470970049]
We present our solution for the WSDM2023 Toloka Visual Question Answering Challenge。
マルチモーダル事前学習モデルの適用に触発されて,我々は3段階のソリューションを設計した。
我々のチームは最終予選で76.342点を獲得し、ランキング2位となった。
論文 参考訳（メタデータ） (2024-07-05T04:56:05Z) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - UnIVAL: Unified Model for Image, Video, Audio and Language Tasks [105.77733287326308]
UnIVALモデルは2つのモードを超えて、テキスト、画像、ビデオ、オーディオを1つのモデルに統合する。
本モデルは,タスクバランスとマルチモーダルカリキュラム学習に基づいて,多くのタスクに対して効率的に事前学習を行う。
統一モデルにより、重み一般化によるマルチモーダルモデルの融合に関する新しい研究を提案する。
論文 参考訳（メタデータ） (2023-07-30T09:48:36Z) - ReINTEL Challenge 2020: A Multimodal Ensemble Model for Detecting
Unreliable Information on Vietnamese SNS [0.0]
2つのマルチモーダルモデルを組み合わせて課題を解決する新しいマルチモーダルアンサンブルモデルを提案する。
実験の結果, ROC AUCスコアでは, 単一モデルに対するマルチモーダルアンサンブルモデルが改善された。
論文 参考訳（メタデータ） (2020-12-18T14:33:08Z) - What do we expect from Multiple-choice QA Systems? [70.86513724662302]
複数のMultiple Choice Question Answering(MCQA)データセット上で,トップパフォーマンスモデルを検討する。
このようなモデルから得られる可能性のある一連の期待値に対して、モデル入力のゼロ情報摂動を用いて評価する。
論文 参考訳（メタデータ） (2020-11-20T21:27:10Z) - Overcoming Statistical Shortcuts for Open-ended Visual Counting [54.858754825838865]
出力ラベルに関係なく、カウントする適切なメカニズムを学習するモデルを開発することを目的としている。
まず,統計的ショートカットに過度に依存するモデルを罰するModifying Count Distributionプロトコルを提案する。
第2に、視覚分析と自然言語質問に基づく数え上げを専門とする空間カウントネットワーク(SCN)を導入する。
論文 参考訳（メタデータ） (2020-06-17T18:02:01Z) - ManyModalQA: Modality Disambiguation and QA over Diverse Inputs [73.93607719921945]
本稿では, エージェントが3つの異なるモダリティを考慮し, 質問に答えなければならない, マルチモーダルな質問応答課題, ManyModalQAを提案する。
われわれはウィキペディアをスクラップしてデータを収集し、クラウドソーシングを利用して質問と回答のペアを収集する。
論文 参考訳（メタデータ） (2020-01-22T14:39:28Z) - AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。
最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。
第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。
3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文 参考訳（メタデータ） (2020-01-15T18:32:06Z)
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。