論文の概要: Graph-Based Specification and Automated Construction of ILP Problems

• arxiv url: http://arxiv.org/abs/2212.11629v2
• Date: Wed, 15 May 2024 14:28:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 18:49:58.377317
• Title: Graph-Based Specification and Automated Construction of ILP Problems
• Title（参考訳）: グラフに基づくICP問題の仕様と自動構築
• Authors: Sebastian Ehmes, Maximilian Kratz, Andy Schürr,
• Abstract要約: GIPS(Graph-based ILP Problem Specification Tool)フレームワークを導入し、ICP問題ジェネレータの開発を簡単にする。 我々のアプローチでは、特定のアプリケーションドメインに対するILP問題生成を自動生成する出発点として、GIPSL仕様を用いています。 最初の実験では、派生したICP問題生成器が、ICPの専門家によって開発された手作りプログラムと競合することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the Model-Driven Software Engineering (MDSE) community, the combination of techniques operating on graph-based models (e.g., Pattern Matching (PM) and Graph Transformation (GT)) and Integer Linear Programming (ILP) is a common occurrence, since ILP solvers offer a powerful approach to solve linear optimization problems and help to enforce global constraints while delivering optimal solutions. However, designing and specifying complex optimization problems from more abstract problem descriptions can be a challenging task. A designer must be an expert in the specific problem domain as well as the ILP optimization domain to translate the given problem into a valid ILP problem. Typically, domain-specific ILP problem generators are hand-crafted by experts, to avoid specifying a new ILP problem by hand for each new instance of a problem domain. Unfortunately, the task of writing ILP problem generators is an exercise, which has to be repeated for each new scenario, tool, and approach. For this purpose, we introduce the GIPS (Graph-Based ILP Problem Specification Tool) framework that simplifies the development of ILP problem generators for graph-based optimization problems and a new Domain-Specific Language (DSL) called GIPSL (Graph-Based ILP Problem Specification Language) that integrates GT and ILP problems on an abstract level. Our approach uses GIPSL specifications as a starting point to derive ILP problem generators for a specific application domain automatically. First experiments show that the derived ILP problem generators can compete with hand-crafted programs developed by ILP experts.
• Abstract（参考訳）: モデル駆動ソフトウェアエンジニアリング(MDSE)コミュニティでは、グラフベースのモデル(例えば、パターンマッチング(PM)とグラフ変換(GT))と整数線形プログラミング(ILP)で動く技術の組み合わせが一般的である。 しかし、より抽象的な問題記述から複雑な最適化問題の設計と特定は難しい課題である。 設計者は、与えられた問題を有効なILP問題に変換するために、特定の問題領域とILP最適化領域の専門家でなければならない。 通常、ドメイン固有のICP問題生成器は、問題領域の各新しいインスタンスに対して手動で新しいILP問題を特定することを避けるために、専門家によって手作りされる。 残念ながら、ILP問題ジェネレータを書くタスクはエクササイズであり、新しいシナリオ、ツール、アプローチごとに繰り返す必要があります。 この目的のために、グラフベースの最適化問題に対するILP問題生成器の開発を簡略化するGIPS(Graph-based ILP Problem Specification Tool)フレームワークと、GIPSL(Graph-based ILP Problem Specification Language)と呼ばれる新しいドメイン特化言語(DSL)を導入し、GTとILP問題を抽象レベルで統合する。 我々のアプローチでは、特定のアプリケーションドメインに対するILP問題生成を自動生成する出発点として、GIPSL仕様を用いています。 最初の実験では、派生したICP問題生成器が、ICPの専門家によって開発された手作りプログラムと競合できることが示されている。

関連論文リスト

• Knowledge Graph Modeling-Driven Large Language Model Operating System (LLM OS) for Task Automation in Process Engineering Problem-Solving [0.0]
  本稿では,化学・プロセス産業における複雑な問題の解決を目的としたAI駆動型フレームワークであるプロセスエンジニアリングオペレーションアシスタント(PEOA)を紹介する。 このフレームワークはメタエージェントによって構成されたモジュラーアーキテクチャを採用しており、中央コーディネータとして機能している。 その結果、計算の自動化、プロトタイピングの高速化、産業プロセスに対するAIによる意思決定支援におけるフレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-08-23T13:52:47Z)
• G-LLaVA: Solving Geometric Problem with Multi-Modal Large Language Model [124.68242155098189]
  大規模言語モデル(LLM)は、人間レベルの推論と生成能力に顕著な習熟性を示している。 G-LLaVAは幾何学的問題の解法において例外的な性能を示し、7Bパラメータしか持たないMathVistaベンチマークにおいて GPT-4-V を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-18T17:36:20Z)
• Symmetry-preserving graph attention network to solve routing problems at multiple resolutions [1.9304772860080408]
  問題解決のために,最初の完全同変モデルとトレーニングを導入する。 入力グラフのマルチスケール構造を捉えることが不可欠である。 本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:22:20Z)
• Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
  大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。 TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。 TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
  論文  参考訳（メタデータ） (2023-10-06T01:40:09Z)
• NeSIG: A Neuro-Symbolic Method for Learning to Generate Planning Problems [9.176056742068814]
  我々はNe SIGを提案し、私たちの知る限り、計画問題を自動的に生成する最初のドメインに依存しない手法を提案する。 マルコフ決定プロセスとして問題生成を定式化し、Deep Reinforcement Learningを用いて2つの生成ポリシーを訓練して問題を生成する。 結果は、Ne SIGがドメイン固有のジェネレータよりもはるかに難しい、有効で多様な問題を自動生成できることを示している。
  論文  参考訳（メタデータ） (2023-01-24T19:37:59Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• GeoQA: A Geometric Question Answering Benchmark Towards Multimodal Numerical Reasoning [172.36214872466707]
  我々は、テキスト記述、視覚図、定理知識の包括的理解を必要とする幾何学的問題を解くことに注力する。 そこで本研究では,5,010の幾何学的問題を含む幾何学的質問応答データセットGeoQAを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:34:17Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Exploring Instance Generation for Automated Planning [1.6735240552964108]
  制約プログラミングと自動計画はこれらの分野の例である。 各解法の効率は、問題間だけでなく、同じ問題のインスタンス間でも異なる。 本稿では,Essenceを用いて計画上の問題記述全体をモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-21T19:58:33Z)

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。