論文の概要: Branching Strategy Selection Approach Based on Vivification Ratio
- arxiv url: http://arxiv.org/abs/2112.06917v1
- Date: Sat, 11 Dec 2021 04:07:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 16:08:52.256891
- Title: Branching Strategy Selection Approach Based on Vivification Ratio
- Title(参考訳): 振動率に基づく分岐戦略選択手法
- Authors: Mao Luo, Chu-Min Li, Xinyun Wu, Shuolin Li, Zhipeng L\"u
- Abstract要約: 生存率に基づく分岐戦略選択手法を提案する。
このアプローチは、非常に低い生存率のインスタンスを解くために、LRB分岐戦略を使用する。
私たちのアプローチの助けを借りて、Maple_CMは2020 SATコンペティションのベンチマークで16以上のインスタンスを解決できます。
- 参考スコア(独自算出の注目度): 6.42576204236184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The two most effective branching strategies LRB and VSIDS perform differently
on different types of instances. Generally, LRB is more effective on crafted
instances, while VSIDS is more effective on application ones. However,
distinguishing the types of instances is difficult. To overcome this drawback,
we propose a branching strategy selection approach based on the vivification
ratio. This approach uses the LRB branching strategy more to solve the
instances with a very low vivification ratio. We tested the instances from the
main track of SAT competitions in recent years. The results show that the
proposed approach is robust and it significantly increases the number of solved
instances. It is worth mentioning that, with the help of our approach, the
solver Maple\_CM can solve more than 16 instances for the benchmark from the
2020 SAT competition.
- Abstract(参考訳): LRBとVSIDSの最も効果的な分岐戦略は、インスタンスの種類によって異なる。
一般的に、LRBはクラフトインスタンスでより効果的であり、VSIDSはアプリケーションでより効果的である。
しかし、インスタンスのタイプを区別することは難しい。
この欠点を克服するため,我々は,生存率に基づく分岐戦略選択手法を提案する。
このアプローチは、非常に低い生存率のインスタンスを解くために、LRB分岐戦略を使用する。
私たちは近年、satコンペのメイントラックからインスタンスをテストしました。
その結果,提案手法は堅牢であり,解いたインスタンスの数を大幅に増加させることがわかった。
私たちのアプローチの助けを借りて、2020 SATコンペティションのベンチマークで、Maple\_CMが16以上のインスタンスを解決できることに注意してください。
関連論文リスト
- Piecewise-Stationary Combinatorial Semi-Bandit with Causally Related
Rewards [5.347237827669861]
本稿では,因果関係の報酬を用いた定常半帯域問題について検討する。
非定常環境では、ベースアームの分布の変化、報酬間の因果関係、またはその両方が報酬生成プロセスを変化させる。
この問題は半帯域設定で増加し、意思決定者は選択したアームの束の結果のみを観察する。
論文 参考訳(メタデータ) (2023-07-26T12:06:13Z) - HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。
HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
論文 参考訳(メタデータ) (2022-10-31T14:06:11Z) - ImitAL: Learned Active Learning Strategy on Synthetic Data [30.595138995552748]
ImitALはドメインに依存しない新しいクエリ戦略であり、ALを学習からランクまでの問題としてエンコードする。
我々はImitALを、純粋に合成されたデータセット上で大規模にシミュレーションされたALで訓練する。
ImitALがうまくトレーニングされたことを示すため、13の異なるデータセット上での戦略の比較を広範囲に評価した。
論文 参考訳(メタデータ) (2022-08-24T16:17:53Z) - Versatile Weight Attack via Flipping Limited Bits [68.45224286690932]
本研究では,展開段階におけるモデルパラメータを変更する新たな攻撃パラダイムについて検討する。
有効性とステルスネスの目標を考慮し、ビットフリップに基づく重み攻撃を行うための一般的な定式化を提供する。
SSA(Single sample attack)とTSA(Singr sample attack)の2例を報告した。
論文 参考訳(メタデータ) (2022-07-25T03:24:58Z) - An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。
いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。
連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
論文 参考訳(メタデータ) (2021-08-15T15:05:02Z) - COPS: Controlled Pruning Before Training Starts [68.8204255655161]
最先端のディープニューラルネットワーク(DNN)プルーニング技術は、トレーニング開始前にワンショットで適用され、プルーニングスコアと呼ばれる単一の基準の助けを借りてスパースアーキテクチャを評価する。
この作業では、単一プルーニング基準に集中するのではなく、任意のGASを組み合わせてより強力なプルーニング戦略を構築するためのフレームワークを提供します。
論文 参考訳(メタデータ) (2021-07-27T08:48:01Z) - Improved active output selection strategy for noisy environments [0.0]
モデルベースのキャリブレーションに必要なテストベンチ時間をテスト設計のためのアクティブラーニングメソッドで削減できます。
本稿では,アクティブ出力選択のための改良戦略を提案する。
論文 参考訳(メタデータ) (2021-01-10T08:27:30Z) - Active Output Selection Strategies for Multiple Learning Regression
Models [0.0]
戦略は同じ入力空間で複数の出力を積極的に学習する。
提案手法は,実世界の騒音を伴う3種類の玩具の例と,ベンチマークデータセットに適用する。
結果は有望だが,ノイズの多い環境に対するロバスト性を高めるためにアルゴリズムを改良する必要があることも示している。
論文 参考訳(メタデータ) (2020-11-29T08:05:53Z) - Scale-Localized Abstract Reasoning [79.00011351374869]
本稿では,インテリジェンステストとしてよく用いられる抽象的関係推論タスクについて考察する。
いくつかのパターンは空間的有理性を持っているが、他のパターンは意味論に過ぎないため、各クエリを複数の解像度で処理するマルチスケールアーキテクチャを提案する。
異なる解法によって実際に異なるルールが解かれることを示し、組み合わせたマルチスケールアプローチは、全てのベンチマークにおいて、このタスクにおける既存の技術の状態を5~54%上回っていることを示す。
論文 参考訳(メタデータ) (2020-09-20T10:37:29Z) - Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。
次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
論文 参考訳(メタデータ) (2020-04-01T09:55:18Z)
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。