論文の概要: Data-driven Numerical Invariant Synthesis with Automatic Generation of
Attributes
- arxiv url: http://arxiv.org/abs/2205.14943v1
- Date: Mon, 30 May 2022 09:18:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 03:55:36.453934
- Title: Data-driven Numerical Invariant Synthesis with Automatic Generation of
Attributes
- Title（参考訳）: 属性の自動生成によるデータ駆動型数値不変合成
- Authors: Ahmed Bouajjani and Wael-Amine Boutglay and Peter Habermehl
- Abstract要約: 数値不変合成と検証のためのデータ駆動アルゴリズムを提案する。
このアルゴリズムは、正および負の状態を含むサンプルから決定木を学習するためのICE-DTスキーマに基づいている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a data-driven algorithm for numerical invariant synthesis and
verification. The algorithm is based on the ICE-DT schema for learning decision
trees from samples that include positive and negative states and additionally
implications corresponding to transitions in the program. The main issue we
address is the discovery of relevant attributes to be used in the learning
process of numerical invariants. We define a method for solving this problem
that is guided by the data sample. It is based on the construction of a
separator that covers positive states without including negative ones, and that
is consistent with the implications. The separator is constructed using an
abstract domain representation of convex sets. The generalization mechanism of
the decision tree learning from the constraints of the separator allows the
inference of general invariants, yet accurate enough for proving the targeted
property. We implemented our algorithm and showed its efficiency.
- Abstract（参考訳）: 数値不変合成と検証のためのデータ駆動アルゴリズムを提案する。
アルゴリズムはice-dtスキーマに基づいて、ポジティブな状態とネガティブな状態を含むサンプルから決定木を学習し、さらにプログラムの遷移に対応づける。
私たちが取り組んだ主な問題は、数値不変量の学習プロセスで使用される関連する属性の発見である。
データサンプルによって導かれるこの問題を解決する方法を定義する。
これは、負の状態を含まない正の状態をカバーし、意味と一致するセパレータの構築に基づいている。
セパレータは凸集合の抽象ドメイン表現を用いて構成される。
分母の制約から決定木学習の一般化機構は一般不変量の推論を可能にするが、対象の性質を証明するには十分正確である。
我々はアルゴリズムを実装し、その効率性を示した。
関連論文リスト
- Bisimulation Learning [55.859538562698496]
我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。
提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
論文 参考訳（メタデータ） (2024-05-24T17:11:27Z) - Gram-Schmidt Methods for Unsupervised Feature Extraction and Selection [7.373617024876725]
本稿では,関数空間上のGram-Schmidtプロセスを提案する。
合成および実世界のベンチマークデータセットに対する実験結果を提供する。
驚いたことに、線形特徴抽出アルゴリズムは同等であり、しばしば重要な非線形特徴抽出法よりも優れている。
論文 参考訳（メタデータ） (2023-11-15T21:29:57Z) - Domain Generalization via Rationale Invariance [70.32415695574555]
本稿では,未確認環境においてもロバストな結果の維持を伴う領域一般化の課題を緩和する新たな視点を提供する。
本稿では,最終結果に対する要素的貢献を決定の根拠として扱い,各試料の根拠を行列として表現することを提案する。
提案手法は, 単純性に拘わらず, 様々なデータセット間で競合する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-08-22T03:31:40Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳（メタデータ） (2022-04-07T17:59:19Z) - A Generic Self-Supervised Framework of Learning Invariant Discriminative
Features [9.614694312155798]
本稿では,制約付き自己ラベル割り当てプロセスに基づく汎用SSLフレームワークを提案する。
提案手法は,AE構造に基づく最先端の表現学習手法よりも優れている。
論文 参考訳（メタデータ） (2022-02-14T18:09:43Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳（メタデータ） (2020-04-17T12:47:04Z)
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。