論文の概要: SaDe: Learning Models that Provably Satisfy Domain Constraints
- arxiv url: http://arxiv.org/abs/2112.00552v1
- Date: Wed, 1 Dec 2021 15:18:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 19:14:09.523917
- Title: SaDe: Learning Models that Provably Satisfy Domain Constraints
- Title（参考訳）: SaDe: ドメイン制約を満足できるような学習モデル
- Authors: Kshitij Goyal, Sebastijan Dumancic, Hendrik Blockeel
- Abstract要約: 我々は、さまざまな制約を処理できる機械学習アプローチを提案し、これらの制約が目に見えないデータでもモデルによって満たされることを保証する。
機械学習を最大満足度問題とみなし,制約満足度と勾配降下度を組み合わせた新しいアルゴリズムSaDeを用いて解いた。
- 参考スコア（独自算出の注目度）: 16.46852109556965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With increasing real world applications of machine learning, models are often
required to comply with certain domain based requirements, e.g., safety
guarantees in aircraft systems, legal constraints in a loan approval model. A
natural way to represent these properties is in the form of constraints.
Including such constraints in machine learning is typically done by the means
of regularization, which does not guarantee satisfaction of the constraints. In
this paper, we present a machine learning approach that can handle a wide
variety of constraints, and guarantee that these constraints will be satisfied
by the model even on unseen data. We cast machine learning as a maximum
satisfiability problem, and solve it using a novel algorithm SaDe which
combines constraint satisfaction with gradient descent. We demonstrate on three
use cases that this approach learns models that provably satisfy the given
constraints.
- Abstract（参考訳）: 機械学習の現実世界の応用が増えるにつれて、航空機システムにおける安全性保証、ローン承認モデルの法的制約など、特定のドメインベースの要件を満たすことがしばしば求められる。
これらの性質を表現する自然な方法は制約の形式である。
このような制約を含む機械学習は、通常、制約の満足度を保証しない正規化によって行われる。
本稿では,様々な制約を処理可能な機械学習手法を提案する。
機械学習を最大満足度問題とみなし,制約満足度と勾配降下度を組み合わせた新しいアルゴリズムSaDeを用いて解いた。
このアプローチが与えられた制約を確実に満たすモデルを学ぶという3つのユースケースを実証する。
関連論文リスト
- Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。
これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。
この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
論文 参考訳（メタデータ） (2024-03-18T14:55:45Z) - 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) - 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) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳（メタデータ） (2023-06-04T18:14:18Z) - DeepSaDe: Learning Neural Networks that Guarantee Domain Constraint
Satisfaction [8.29487992932196]
本稿では,ニューラルネットワークを訓練し,様々な制約を課し,その制約が全ての可能な予測によって満たされることを保証するアプローチを提案する。
私たちのアプローチは、さまざまなドメイン制約を強制するのに十分な柔軟性があり、ニューラルネットワークでそれらを保証できます。
論文 参考訳（メタデータ） (2023-03-02T10:40:50Z) - Calibrated Data-Dependent Constraints with Exact Satisfaction Guarantees [46.94549066382216]
データに依存した制約で機械学習モデルを訓練する作業について検討する。
我々は、データ依存の制約を校正するように修正し、修正された制約を強制することで、期待値の制約がユーザによって規定された確率で満たされることを保証する。
論文 参考訳（メタデータ） (2023-01-15T21:41:40Z) - ROAD-R: The Autonomous Driving Dataset with Logical Requirements [54.608762221119406]
論理要求付きROADイベント認識データセット(ROAD-R)を紹介する。
ROAD-Rは、論理的制約として表現された要件を持つ、自動運転のための最初の公開データセットである。
我々は、(i)パフォーマンスが良く、(ii)要求自体に準拠することが保証されているモデルを作成するためにそれらを活用できることを示します。
論文 参考訳（メタデータ） (2022-10-04T13:22:19Z) - Constrained Machine Learning: The Bagel Framework [5.945320097465419]
制約付き機械学習問題は、学習したモデルが正確で、制約を尊重しなければならない問題である。
本研究の目的は,制約付き機械学習問題のモデリング能力を最適化から組み込むことで拡張することである。
機械学習には特定の要件があるため、仮説の空間を分割する拡張テーブル制約も提案する。
論文 参考訳（メタデータ） (2021-12-02T10:10:20Z) - Sufficiently Accurate Model Learning for Planning [119.80502738709937]
本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。
これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。
近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
論文 参考訳（メタデータ） (2021-02-11T16:27:31Z) - 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) - Teaching the Old Dog New Tricks: Supervised Learning with Constraints [18.88930622054883]
機械学習に制約サポートを追加することは、データ駆動型AIシステムにおいて際立った問題に対処する可能性がある。
既存のアプローチでは、MLトレーニングに制約付き最適化手法を適用し、モデル設計を調整することによって制約満足度を強制するか、あるいは出力を修正するために制約を使用するのが一般的である。
そこで本研究では,教師付きML手法に対する制約満足度を,最先端制約解決器の直接利用により,それぞれ異なる,補完的な制約満足度に基づく戦略について検討する。
論文 参考訳（メタデータ） (2020-02-25T09:47:39Z)
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。