論文の概要: Complexity-based partitioning of CSFI problem instances with Transformers

• arxiv url: http://arxiv.org/abs/2106.14481v1
• Date: Mon, 28 Jun 2021 08:48:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 21:32:32.239858
• Title: Complexity-based partitioning of CSFI problem instances with Transformers
• Title（参考訳）: Transformerを用いたCSFI問題インスタンスの複雑度に基づく分割
• Authors: Luca Benedetto, Paolo Fantozzi, Luigi Laura
• Abstract要約: 共役正規形式 (CNF) の合成式同型問題を異なる複雑性の群に分割する2段階のアプローチを提案する。 提案手法を擬似ランダムに生成したデータセット上で評価し,有望な結果を得た。
• 参考スコア（独自算出の注目度）: 0.3867363075280544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a two-steps approach to partition instances of the Conjunctive Normal Form (CNF) Syntactic Formula Isomorphism problem (CSFI) into groups of different complexity. First, we build a model, based on the Transformer architecture, that attempts to solve instances of the CSFI problem. Then, we leverage the errors of such model and train a second Transformer-based model to partition the problem instances into groups of different complexity, thus detecting the ones that can be solved without using too expensive resources. We evaluate the proposed approach on a pseudo-randomly generated dataset and obtain promising results. Finally, we discuss the possibility of extending this approach to other problems based on the same type of textual representation.
• Abstract（参考訳）: 本稿では,CNF(Conjunctive Normal Form)シンタクティック・フォーミュラ同型問題(CSFI)を,複雑性の異なる群に分割する2段階のアプローチを提案する。 まず、我々は、csfi問題のインスタンスを解決しようとするtransformerアーキテクチャに基づいたモデルを構築します。 次に,そのようなモデルの誤りを活用し,問題インスタンスを異なる複雑性の群に分割するために,第2のトランスフォーマーベースのモデルをトレーニングすることで,コストのかかるリソースを使わずに解決可能な問題を検出する。 提案手法を擬似ランダムに生成したデータセット上で評価し,有望な結果を得た。 最後に、同じタイプのテキスト表現に基づいて、このアプローチを他の問題に拡張する可能性について議論する。

関連論文リスト

• Unified Convergence Analysis for Score-Based Diffusion Models with Deterministic Samplers [49.1574468325115]
  決定論的サンプリングのための統合収束分析フレームワークを提案する。 我々のフレームワークは$tilde O(d2/epsilon)$の反復複雑性を実現する。 また,Denoising Implicit Diffusion Models (DDIM) タイプのサンプルについて詳細な分析を行った。
  論文  参考訳（メタデータ） (2024-10-18T07:37:36Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• A domain-decomposed VAE method for Bayesian inverse problems [0.0]
  本稿では,これらの課題を同時に解決するために,ドメイン分割型変分自動エンコーダのマルコフ連鎖モンテカルロ(DD-VAE-MCMC)法を提案する。 提案手法はまず,局所的履歴データに基づく局所的決定論的生成モデルを構築し,効率的な局所的事前表現を提供する。
  論文  参考訳（メタデータ） (2023-01-09T07:35:43Z)
• Graphically Structured Diffusion Models [13.547280772634524]
  問題固有の構造を持つ深層生成モデルを自動的に定義・学習するフレームワークを提案する。 我々は、ソート、スードゥークに対する制約満足度、行列分解といったアルゴリズムによって、従来より解決されてきた問題領域に取り組む。
  論文  参考訳（メタデータ） (2022-10-20T23:36:01Z)
• A multiplicity-preserving crossover operator on graphs. Extended version [0.0]
  モデル駆動最適化(MDO)のための汎用クロスオーバー演算子を開発する。 我々は、与えられた多重度制約を入力として満たす2つのモデルを考えると、洗練されたクロスオーバー演算子は2つの新しいモデルを出力として計算し、同時に制約の集合を満たすことを証明した。
  論文  参考訳（メタデータ） (2022-08-23T11:27:00Z)
• Personalized Federated Learning via Convex Clustering [72.15857783681658]
  本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。 提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
  論文  参考訳（メタデータ） (2022-02-01T19:25:31Z)
• Structured Reordering for Modeling Latent Alignments in Sequence Transduction [86.94309120789396]
  本稿では,分離可能な置換の辺りを正確に推定する効率的な動的プログラミングアルゴリズムを提案する。 結果のSeq2seqモデルは、合成問題やNLPタスクの標準モデルよりも体系的な一般化が優れている。
  論文  参考訳（メタデータ） (2021-06-06T21:53:54Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• BasisVAE: Translation-invariant feature-level clustering with Variational Autoencoders [9.51828574518325]
  変分オートエンコーダ(VAE)は、非線形次元削減のための柔軟でスケーラブルなフレームワークを提供する。 崩壊した変分推論スキームがBasisVAEのスケーラブルかつ効率的な推論にどのように寄与するかを示す。
  論文  参考訳（メタデータ） (2020-03-06T23:10:52Z)

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。