論文の概要: Exact Learning of Qualitative Constraint Networks from Membership Queries

• arxiv url: http://arxiv.org/abs/2109.11668v1
• Date: Thu, 23 Sep 2021 22:25:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-27 14:14:17.955569
• Title: Exact Learning of Qualitative Constraint Networks from Membership Queries
• Title（参考訳）: 会員問合せによる質的制約ネットワークの厳密な学習
• Authors: Malek Mouhoub, Hamad Al Marri and Eisa Alanazi
• Abstract要約: 制約ネットワーク (QCN) は、質的時間的および空間的関係の下で問題を表現するための制約グラフである。 本研究では,非専門家からのQCNを学習するための新しいアルゴリズムを提案する。 ここでの目標は、ターゲットのQCNに到達するのに必要なメンバシップクエリの数を減らすことだ。
• 参考スコア（独自算出の注目度）: 2.9005223064604078
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A Qualitative Constraint Network (QCN) is a constraint graph for representing problems under qualitative temporal and spatial relations, among others. More formally, a QCN includes a set of entities, and a list of qualitative constraints defining the possible scenarios between these entities. These latter constraints are expressed as disjunctions of binary relations capturing the (incomplete) knowledge between the involved entities. QCNs are very effective in representing a wide variety of real-world applications, including scheduling and planning, configuration and Geographic Information Systems (GIS). It is however challenging to elicit, from the user, the QCN representing a given problem. To overcome this difficulty in practice, we propose a new algorithm for learning, through membership queries, a QCN from a non expert. In this paper, membership queries are asked in order to elicit temporal or spatial relationships between pairs of temporal or spatial entities. In order to improve the time performance of our learning algorithm in practice, constraint propagation, through transitive closure, as well as ordering heuristics, are enforced. The goal here is to reduce the number of membership queries needed to reach the target QCN. In order to assess the practical effect of constraint propagation and ordering heuristics, we conducted several experiments on randomly generated temporal and spatial constraint network instances. The results of the experiments are very encouraging and promising.
• Abstract（参考訳）: 定性的制約ネットワーク(Quilitative Constraint Network, QCN)は、質的時間的および空間的関係の下の問題を表現するための制約グラフである。 より正式には、QCNはエンティティのセットと、これらのエンティティ間のシナリオを定義する定性的制約のリストを含む。 これらの後者の制約は、関連するエンティティ間の(不完全な)知識をキャプチャする二項関係の解離として表現される。 QCNはスケジューリングや計画、構成、地理情報システム(GIS)など、さまざまな現実世界のアプリケーションを表現するのに非常に効果的である。 しかし、ユーザーから特定の問題を表すQCNを抽出することは困難である。 この難しさを克服するために,非専門家からのQCNである会員クエリを学習するための新しいアルゴリズムを提案する。 本稿では,時間的・空間的エンティティのペア間の時間的・空間的関係を明らかにするために,メンバシップクエリを問う。 現実の学習アルゴリズムの時間的性能を改善するため,過渡的クロージャによる制約伝搬とヒューリスティックスの順序付けが実施される。 ここでの目標は、ターゲットのQCNに到達するのに必要なメンバシップクエリの数を減らすことだ。 制約伝搬と順序ヒューリスティックスの実践的効果を評価するために,ランダムに生成された時間的および空間的制約ネットワークインスタンスについていくつかの実験を行った。 実験の結果はとてもエキサイティングで有望です。

関連論文リスト

• Deep Neural Network for Constraint Acquisition through Tailored Loss Function [0.0]
  データから制約を学習することの重要性は、実世界の問題解決における潜在的な応用によって裏付けられている。 この研究は、シンボリック回帰に基づくディープニューラルネットワーク(DNN)に基づく新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2024-03-04T13:47:33Z)
• Weakly Coupled Deep Q-Networks [5.76924666595801]
  弱結合マルコフ決定過程(WCMDP)の性能を向上させる新しい深層強化学習アルゴリズムを提案する。 WCDQNは、複数のDQN"サブエージェント"を訓練するために1つのネットワークを使用し、各サブプロブレムに対して1つを訓練し、それらのソリューションを組み合わせて最適なアクション値の上限を確立する。
  論文  参考訳（メタデータ） (2023-10-28T20:07:57Z)
• Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
  我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。 制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。 私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
  論文  参考訳（メタデータ） (2023-06-15T08:33:52Z)
• Matching Game for Optimized Association in Quantum Communication Networks [65.16483325184237]
  本稿では,量子スイッチのためのスワップスタブルな要求-QSアソシエーションアルゴリズムを提案する。 サービスされた要求の割合で、ほぼ最適(5%)のパフォーマンスを達成する。 QCNのサイズが大きくなると、スケーラビリティが向上し、ほぼ最適性能を維持することが示されている。
  論文  参考訳（メタデータ） (2023-05-22T03:39:18Z)
• Scheduling Inference Workloads on Distributed Edge Clusters with Reinforcement Learning [11.007816552466952]
  本稿では,エッジネットワークにおける予測クエリを短時間でスケジューリングする問題に焦点をあてる。 シミュレーションにより,大規模ISPの現実的なネットワーク設定とワークロードにおけるいくつかのポリシーを解析する。 我々は、強化学習に基づくスケジューリングアルゴリズムASETを設計し、システム条件に応じてその決定を適応させることができる。
  論文  参考訳（メタデータ） (2023-01-31T13:23:34Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
  最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。 このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。 本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
  論文  参考訳（メタデータ） (2021-02-24T09:16:10Z)
• Learning Equality Constraints for Motion Planning on Manifolds [10.65436139155865]
  深層ニューラルネットワークを用いた実演から制約の表現を学習する問題について考察する。 鍵となる考え方は、制約付きサンプリングベースのモーションプランナに統合に適した制約のレベルセット関数を学習することである。 学習した制約と分析的に記述された制約の両方をプランナーに組み合わせ、プロジェクションベースの戦略を使って有効点を見つけます。
  論文  参考訳（メタデータ） (2020-09-24T17:54:28Z)
• Managing caching strategies for stream reasoning with reinforcement learning [18.998260813058305]
  ストリーム推論は、継続的なデータ変更よりも効率的な意思決定を可能にする。 我々は、衝突駆動制約学習(CDCL)を用いてレガシーソリューションを効率的に更新する新しいアプローチを提案する。 特に,強化学習の適用性について検討し,学習制約の有用性を継続的に評価する。
  論文  参考訳（メタデータ） (2020-08-07T15:01:41Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Local Propagation in Constraint-based Neural Network [77.37829055999238]
  ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。 本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
  論文  参考訳（メタデータ） (2020-02-18T16:47:38Z)

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。