Fugu-MT 論文翻訳(概要): Denoising Diffusion for Sampling SAT Solutions

論文の概要: Denoising Diffusion for Sampling SAT Solutions

arxiv url: http://arxiv.org/abs/2212.00121v1
Date: Wed, 30 Nov 2022 21:14:44 GMT
ステータス: 処理完了
システム内更新日: 2022-12-02 15:00:59.509568
Title: Denoising Diffusion for Sampling SAT Solutions
Title（参考訳）: サンプリングsat溶液の消音拡散
Authors: Karlis Freivalds, Sergejs Kozlovics
Abstract要約: グラフニューラルネットワークを併用したデノイング拡散を用いて,そのような解を生成する方法について検討する。得られた精度は、現在最も優れた純粋ニューラル法に類似していることが判明した。生成されるSATソリューションは、標準的な解法から非ランダムなソリューションで訓練されたとしても、非常に多様である。
参考スコア（独自算出の注目度）: 2.8935588665357077
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating diverse solutions to the Boolean Satisfiability Problem (SAT) is a hard computational problem with practical applications for testing and functional verification of software and hardware designs. We explore the way to generate such solutions using Denoising Diffusion coupled with a Graph Neural Network to implement the denoising function. We find that the obtained accuracy is similar to the currently best purely neural method and the produced SAT solutions are highly diverse, even if the system is trained with non-random solutions from a standard solver.
Abstract（参考訳）: Boolean Satisfiability Problem (SAT) に対する多様なソリューションの生成は、ソフトウェアとハードウェアの設計の試験と機能検証の実践的な応用において難しい計算問題である。 Denoising Diffusion と Graph Neural Network を併用してデノナイジング関数を実装することで,このようなソリューションを生成する方法について検討する。得られた精度は,標準解法から非ランダム解を訓練した場合でも,現在最も優れた純粋ニューラルネットワーク法に類似しており,sat解は非常に多様であることがわかった。

関連論文リスト

Transformed Physics-Informed Neural Networks for The Convection-Diffusion Equation [0.0]
特異な摂動問題には、数値的に解くのが難しい急な境界層を持つ解が存在する。有限差分法のような従来の数値法は、安定かつ正確な解を得るために洗練されたメッシュを必要とする。我々は,物理インフォームドニューラルネットワーク(PINN)を用いて特異摂動問題の数値解を生成することを検討する。
論文参考訳（メタデータ） (2024-09-12T00:24:21Z)
torchmSAT: A GPU-Accelerated Approximation To The Maximum Satisfiability Problem [1.5850859526672516]
最大満足度問題(MaxSAT)の解を近似できる単一の微分可能関数を導出する。我々は,我々の微分可能な関数をモデル化する新しいニューラルネットワークアーキテクチャを提案し,バックプロパゲーションを用いてMaxSATを段階的に解く。
論文参考訳（メタデータ） (2024-02-06T02:33:00Z)
Machine Learning Methods in Solving the Boolean Satisfiability Problem [72.21206588430645]
本論文は, Boolean satisfiability problem (SAT) を機械学習技術で解くことに関する最近の文献をレビューする。 ML-SATソルバを手作り特徴を持つナイーブ分類器からNeuroSATのような新たなエンド・ツー・エンドSATソルバまで,進化するML-SATソルバについて検討する。
論文参考訳（メタデータ） (2022-03-02T05:14:12Z)
Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文参考訳（メタデータ） (2022-01-28T05:53:28Z)
ML Supported Predictions for SAT Solvers Performance [0.0]
内部のソルバランタイムパラメータが収集され、分析されている。問題解決者の終了動作のバイナリ分類のための機械学習モデルが作成されている。
論文参考訳（メタデータ） (2021-12-17T11:17:29Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文参考訳（メタデータ） (2021-09-18T14:51:24Z)
Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
論文参考訳（メタデータ） (2021-03-15T17:26:34Z)
Efficient Solution of Boolean Satisfiability Problems with Digital MemComputing [0.0]
メモリアシスト物理系はSAT問題を連続的に効率的に解くことができることを示す。シミュレーションの効率は、元の物理系の集合力学特性と関係している。我々は、物理学に着想を得た計算パラダイムの研究の方向性を広げることを期待している。
論文参考訳（メタデータ） (2020-11-12T18:13:46Z)
Solving Linear Inverse Problems Using the Prior Implicit in a Denoiser [7.7288480250888]
我々は、ディープニューラルネットワークにおける暗黙の事前利用のための堅牢で一般的な手法を開発した。ブラインド(ノイズレベルが未知の)を訓練したCNNが提示される。このアルゴリズムの制約サンプリングへの一般化は、任意の線形逆問題を解決するために暗黙の手法を提供する。
論文参考訳（メタデータ） (2020-07-27T15:40:46Z)
Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。