論文の概要: Fast Converging Anytime Model Counting
- arxiv url: http://arxiv.org/abs/2212.09390v1
- Date: Mon, 19 Dec 2022 12:01:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 18:15:23.205254
- Title: Fast Converging Anytime Model Counting
- Title(参考訳): 高速収束型モデルカウント
- Authors: Yong Lai, Kuldeep S. Meel, Roland H. C. Yap
- Abstract要約: 本稿では、近似モデルカウントのための新しい時限アプローチであるPartialKCを設計する。
我々の経験的分析により、PartialKCは最先端の近似カウンタよりも高いスケーラビリティと精度を達成できることが示された。
興味深いことに、実験の結果は、PartialKCが多くのインスタンスに収束し、したがって、最先端の正確なカウンタに匹敵する正確なモデルカウント性能を提供することを示している。
- 参考スコア(独自算出の注目度): 34.295512073482186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model counting is a fundamental problem which has been influential in many
applications, from artificial intelligence to formal verification. Due to the
intrinsic hardness of model counting, approximate techniques have been
developed to solve real-world instances of model counting. This paper designs a
new anytime approach called PartialKC for approximate model counting. The idea
is a form of partial knowledge compilation to provide an unbiased estimate of
the model count which can converge to the exact count. Our empirical analysis
demonstrates that PartialKC achieves significant scalability and accuracy over
prior state-of-the-art approximate counters, including satss and STS.
Interestingly, the empirical results show that PartialKC reaches convergence
for many instances and therefore provides exact model counting performance
comparable to state-of-the-art exact counters.
- Abstract(参考訳): モデルカウントは、人工知能から正式な検証に至るまで、多くのアプリケーションに影響を及ぼす根本的な問題である。
モデルカウントの固有硬度から,実世界のモデルカウントの解法として近似手法が開発されている。
本稿では、近似モデルカウントのための新しい時限アプローチであるPartialKCを設計する。
このアイデアは部分的知識コンパイルの一形態であり、正確な数に収束するモデルカウントの偏りのない見積もりを提供する。
実験により, サースやSTSを含む従来の近似カウンタよりも高いスケーラビリティと精度を実現することを示す。
興味深いことに、経験的な結果から、partmentkcは多くのインスタンスで収束し、そのため最先端の厳密なカウンタに匹敵する正確なモデルカウントパフォーマンスを提供する。
関連論文リスト
- Model Counting in the Wild [31.05707402954459]
モデルカウンタの荒野におけるスケーラビリティの厳密な評価を行う。
我々は、これらのインスタンス上で6つの最先端モデルカウンタを評価し、スケーラビリティと実行時のパフォーマンスを評価する。
私たちの分析は、モデルカウントにおけるポートフォリオベースのアプローチの課題と機会を強調します。
論文 参考訳(メタデータ) (2024-08-13T17:49:46Z) - Exact and general decoupled solutions of the LMC Multitask Gaussian Process model [28.32223907511862]
コリージョン化線形モデル(英: Linear Model of Co- Regionalization、LMC)は、回帰や分類のためのマルチタスクガウス過程の非常に一般的なモデルである。
最近の研究によると、ある条件下では、モデルの潜在過程は切り離され、そのプロセスの数でのみ線形となる複雑さが生じる。
ここでは、これらの結果を拡張し、LCCの効率的な正確な計算に必要な条件はノイズモデルに関する軽度の仮説である、という最も一般的な仮定から示している。
論文 参考訳(メタデータ) (2023-10-18T15:16:24Z) - Precision-Recall Divergence Optimization for Generative Modeling with
GANs and Normalizing Flows [54.050498411883495]
本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。
指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。
当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
論文 参考訳(メタデータ) (2023-05-30T10:07:17Z) - Evaluating Representations with Readout Model Switching [19.907607374144167]
本稿では,最小記述長(MDL)の原理を用いて評価指標を考案する。
我々は、読み出しモデルのためのハイブリッド離散および連続値モデル空間を設計し、それらの予測を組み合わせるために切替戦略を用いる。
提案手法はオンライン手法で効率的に計算でき,様々なアーキテクチャの事前学習された視覚エンコーダに対する結果を示す。
論文 参考訳(メタデータ) (2023-02-19T14:08:01Z) - Counting Like Human: Anthropoid Crowd Counting on Modeling the
Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は 密度マップを補強して 計数結果を得るために統合する。
これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-02T07:00:53Z) - Posterior Coreset Construction with Kernelized Stein Discrepancy for
Model-Based Reinforcement Learning [78.30395044401321]
我々は、強化学習(MBRL)のための新しいモデルベースアプローチを開発する。
ターゲット遷移モデルの仮定を緩和し、混合モデルの一般的な族に属する。
連続的な制御環境では、壁時計の時間を最大50%削減することができる。
論文 参考訳(メタデータ) (2022-06-02T17:27:49Z) - Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。
言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
論文 参考訳(メタデータ) (2022-01-08T00:47:50Z) - Distributional Depth-Based Estimation of Object Articulation Models [21.046351215949525]
本研究では,奥行き画像から直接,調音モデルパラメータの分布を効率よく学習する手法を提案する。
私たちのコアコントリビューションには、剛体変換に対する分布の新しい表現が含まれています。
本稿では,カテゴリに依存しない調音モデル推定を行う新しい深層学習手法DUST-netを提案する。
論文 参考訳(メタデータ) (2021-08-12T17:44:51Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z)
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。