論文の概要: Tackling the DM Challenges with cDMN: A Tight Integration of DMN and
Constraint Reasoning
- arxiv url: http://arxiv.org/abs/2110.02610v1
- Date: Wed, 6 Oct 2021 09:29:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 01:34:06.865468
- Title: Tackling the DM Challenges with cDMN: A Tight Integration of DMN and
Constraint Reasoning
- Title(参考訳): cDMNによるDMチャレンジの対処:DMNと制約推論の密接な統合
- Authors: Simon Vandevelde, Bram Aerts and Joost Vennekens
- Abstract要約: 本稿では、制約決定モデルと表記法(cDMN)と呼ばれる、決定モデルと表記法(DMN)標準の拡張について述べる。
cDMNは、より複雑なドメイン知識をモデル化するために、DMNの表現力を拡大することを目的としている。
我々は、DMコミュニティのウェブサイトに投稿された最も複雑な課題を解決することで、cDMNをテストする。
- 参考スコア(独自算出の注目度): 4.177448054347244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge-based AI typically depends on a knowledge engineer to construct a
formal model of domain knowledge -- but what if domain experts could do this
themselves? This paper describes an extension to the Decision Model and
Notation (DMN) standard, called Constraint Decision Model and Notation (cDMN).
DMN is a user-friendly, table-based notation for decision logic, which allows
domain experts to model simple decision procedures without the help of IT
staff. cDMN aims to enlarge the expressiveness of DMN in order to model more
complex domain knowledge, while retaining DMN's goal of being understandable by
domain experts. We test cDMN by solving the most complex challenges posted on
the DM Community website. We compare our own cDMN solutions to the solutions
that have been submitted to the website and find that our approach is
competitive. Moreover, cDMN is able to solve more challenges than any other
approach.
- Abstract(参考訳): 知識に基づくAIは通常、ドメイン知識の正式なモデルを構築するための知識エンジニアに依存します。
本稿では,CDMN(Constraint Decision Model and Notation)と呼ばれるDMN(Decision Model and Notation)標準の拡張について述べる。
dmnは、ユーザーフレンドリーでテーブルベースの決定ロジック表記法であり、ドメインの専門家がitスタッフの助けなしに簡単な決定手順をモデル化できる。
cDMNは、より複雑なドメイン知識をモデル化するためにDMNの表現力を拡大することを目的としている。
DMコミュニティのウェブサイトに投稿された最も複雑な課題を解決することで、cDMNをテストする。
当社のcdmnソリューションと,webサイトに提出されたソリューションを比較して,当社のアプローチが競争力があることを確認します。
さらに、cDMNは他のどのアプローチよりも多くの課題を解決できる。
関連論文リスト
- PresAIse, A Prescriptive AI Solution for Enterprises [6.523929486550928]
本稿は、IBM Researchのイニシアチブの概要であり、一連の規範的AIソリューションを提供することによって、これらの課題のいくつかに対処することを目的としている。
ソリューションスイートには、スケーラブルな因果推論方法、解釈可能な意思決定アプローチ、大規模言語モデルの統合が含まれている。
概念実証であるPresAIseは、非MLの専門家が自然言語インターフェースを介して規範的なAIモデルと対話できるようにすることで、ソリューションの可能性を示している。
論文 参考訳(メタデータ) (2024-02-03T03:23:08Z) - SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal
Segmentation [100.86339246424541]
本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。
構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。
実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
論文 参考訳(メタデータ) (2023-06-14T02:57:23Z) - Verifying Generalization in Deep Learning [3.4948705785954917]
ディープニューラルネットワーク(Deep Neural Network, DNN)は、ディープラーニングのワークホースである。
DNNは、一般化の貧弱さ、すなわち訓練中に遭遇しない入力が不十分であることを示すことが知られている。
本稿では,新しい入力領域によく適応するDNNに基づく決定ルールを識別するための,検証駆動型手法を提案する。
論文 参考訳(メタデータ) (2023-02-11T17:08:15Z) - Learning Feature Decomposition for Domain Adaptive Monocular Depth
Estimation [51.15061013818216]
改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。
教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。
本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
論文 参考訳(メタデータ) (2022-07-30T08:05:35Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T08:06:50Z) - A Table-Based Representation for Probabilistic Logic: Preliminary
Results [14.065623268570139]
確率的決定モデルと表記法(pDMN)を提案する。
pDMNは決定モデルと表記の確率的拡張である
ProbLogプログラムに不明瞭に変換して、ユーザクエリに応答することができる。
論文 参考訳(メタデータ) (2021-10-05T10:01:31Z) - Soft Expert Reward Learning for Vision-and-Language Navigation [94.86954695912125]
VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従うことで、目に見えない環境で特定の場所を見つける必要がある。
本稿では,VLNタスクの工学的設計と一般化問題を克服するために,ソフトエキスパート・リワード・ラーニング(SERL)モデルを導入する。
論文 参考訳(メタデータ) (2020-07-21T14:17:36Z) - Multiple Expert Brainstorming for Domain Adaptive Person
Re-identification [140.3998019639158]
本稿では、ドメイン適応型人物再IDのための複数の専門家ブレインストーミングネットワーク(MEB-Net)を提案する。
MEB-Netは、異なるアーキテクチャを持つ複数のネットワークをソースドメイン内で事前トレーニングする、相互学習戦略を採用している。
大規模データセットの実験は、最先端技術よりもMEB-Netの方が優れた性能を示している。
論文 参考訳(メタデータ) (2020-07-03T08:16:19Z) - Learning What to Defer for Maximum Independent Sets [84.00112106334655]
本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。
提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
論文 参考訳(メタデータ) (2020-06-17T02:19:31Z) - Recurrent Sum-Product-Max Networks for Decision Making in
Perfectly-Observed Environments [12.225164387970166]
本稿では、意思決定データから学習し、時間とともにモデル化するRSPMN(Sum-product-max Network)を提案する。
RSPMNは、データ駆動であり、主にトラクタブルであるという点で、総生産ネットワークの利点を継承し、シーケンシャルな問題にも適している。
逐次決定データセットのテストベッドで学習したRSPMNが、完全に観測された領域で最適に近いMEUとポリシーを生成することを実証する。
論文 参考訳(メタデータ) (2020-06-12T16:31:11Z) - Tackling the DMN Challenges with cDMN: a Tight Integration of DMN and
constraint reasoning [6.93076811584458]
cDMNは、より複雑な問題を解決するためにDMNの表現性を拡大することを目的としている。
我々は、DMコミュニティのウェブサイトに投稿された最も複雑な課題を解決することで、cDMNをテストする。
論文 参考訳(メタデータ) (2020-05-17T14:50:34Z)
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。