Fugu-MT 論文翻訳(概要): Planning with Learned Binarized Neural Networks Benchmarks for MaxSAT Evaluation 2021

論文の概要: Planning with Learned Binarized Neural Networks Benchmarks for MaxSAT Evaluation 2021

arxiv url: http://arxiv.org/abs/2108.00633v1
Date: Mon, 2 Aug 2021 04:49:38 GMT
ステータス: 処理完了
システム内更新日: 2021-08-04 01:08:30.608579
Title: Planning with Learned Binarized Neural Networks Benchmarks for MaxSAT Evaluation 2021
Title（参考訳）: 学習型二元化ニューラルネットワークによるMaxSAT評価2021のための計画
Authors: Buser Say, Scott Sanner, Jo Devriendt, Jakob Nordstr\"om, Peter J. Stuckey
Abstract要約: この文書は、状態遷移関数が二項化ニューラルネットワーク(BNN)の形で存在する学習された自動計画問題の簡単な紹介を提供する。この問題に対して一般的なMaxSATエンコーディングを示し、MaxSAT Evaluation 2021のベンチマークとして提出されたナビゲーション、インベントリコントロール、システム管理者、セルダの4つのドメインを記述している。
参考スコア（独自算出の注目度）: 30.506995270561827
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This document provides a brief introduction to learned automated planning problem where the state transition function is in the form of a binarized neural network (BNN), presents a general MaxSAT encoding for this problem, and describes the four domains, namely: Navigation, Inventory Control, System Administrator and Cellda, that are submitted as benchmarks for MaxSAT Evaluation 2021.
Abstract（参考訳）: この文書では、状態遷移関数が二項化ニューラルネットワーク(BNN)の形式で学習された自動計画問題の簡単な紹介を行い、この問題に対する一般的なMaxSATエンコーディングを示し、MaxSAT Evaluation 2021のベンチマークとして提出されたナビゲーション、インベントリコントロール、システム管理者、セルダの4つのドメインについて説明する。

関連論文リスト

Offline Writer Identification Using Convolutional Neural Network Activation Features [6.589323210821262]
畳み込みニューラルネットワーク(CNN)は、最近、大規模な画像分類のための最先端のツールとなっている。本研究では,CNNのアクティベーション機能を,ライター識別のためのローカル記述子として用いることを提案する。 ICDAR 2013ベンチマークデータベースとCVLデータセットの2つの公開データセットに対して,本手法の評価を行った。
論文参考訳（メタデータ） (2024-02-26T21:16:14Z)
The Fourth International Verification of Neural Networks Competition (VNN-COMP 2023): Summary and Results [7.3262152011453745]
第4回国際ニューラルネットワークコンペティション(VNN-COMP 2023)を要約する。 VNN-COMPは、最先端のニューラルネットワーク検証ツールの公平かつ客観的な比較を容易にするために毎年開催されている。このレポートは、このコンペティションのこのイテレーションから学んだルール、ベンチマーク、参加ツール、結果、教訓を要約する。
論文参考訳（メタデータ） (2023-12-28T00:46:35Z)
Learning State-Augmented Policies for Information Routing in Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2023-09-30T04:34:25Z)
Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文参考訳（メタデータ） (2023-08-22T03:13:57Z)
Semi-supervised classification using a supervised autoencoder for biomedical applications [2.578242050187029]
私たちは、ラベルをオートエンコーダの潜在空間にエンコードするネットワークアーキテクチャを作成します。学習したネットワークを用いて未学習のサンプルを分類する。
論文参考訳（メタデータ） (2022-08-22T13:51:00Z)
DPMS: An ADD-Based Symbolic Approach for Generalized MaxSAT Solving [45.21499915442282]
本稿では,ハイブリッド制約を用いた一般化MaxSAT問題の解法について,新しい動的プログラミング手法を提案する。我々の汎用フレームワークは、MaxSAT、Min-MaxSAT、MinSATといったCNF-MaxSATの多くの一般化をハイブリッド制約で認めている。実験の結果、DPMSは様々な手法に基づく他のアルゴリズムがすべて失敗し、特定の問題を迅速に解決できることがわかった。
論文参考訳（メタデータ） (2022-05-08T00:31:53Z)
On the Generalization of Models Trained with SGD: Information-Theoretic Bounds and Implications [13.823089111538128]
本稿では,SGDで学習したニューラルネットワークなどの機械学習モデルの一般化誤差に対して,より厳密な情報理論上界を提案する。これらの境界に基づく実験的研究は、ニューラルネットワークのSGDトレーニングに関する洞察を与える。
論文参考訳（メタデータ） (2021-10-07T00:53:33Z)
Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文参考訳（メタデータ） (2021-05-21T02:43:02Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。