論文の概要: System Predictor: Grounding Size Estimator for Logic Programs under
Answer Set Semantics
- arxiv url: http://arxiv.org/abs/2303.17018v1
- Date: Wed, 29 Mar 2023 20:49:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 15:01:15.591286
- Title: System Predictor: Grounding Size Estimator for Logic Programs under
Answer Set Semantics
- Title（参考訳）: システム予測器:解集合セマンティックスに基づく論理プログラムのグラウンドサイズ推定器
- Authors: Daniel Bresnahan, Nicholas Hippen, Yuliya Lierler
- Abstract要約: 本稿では,プログラムの基底サイズを推定するシステム予測器を提案する。
本稿では,Productor と Lpopt が生成したリライトのガイドとして使用するPredictor の効果を評価する。
- 参考スコア（独自算出の注目度）: 0.5801044612920815
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Answer set programming is a declarative logic programming paradigm geared
towards solving difficult combinatorial search problems. While different logic
programs can encode the same problem, their performance may vary significantly.
It is not always easy to identify which version of the program performs the
best. We present the system Predictor (and its algorithmic backend) for
estimating the grounding size of programs, a metric that can influence a
performance of a system processing a program. We evaluate the impact of
Predictor when used as a guide for rewritings produced by the answer set
programming rewriting tools Projector and Lpopt. The results demonstrate
potential to this approach.
- Abstract（参考訳）: answer set programmingは、難解な組合せ探索問題を解決するための宣言型論理プログラミングパラダイムである。
異なる論理プログラムは同じ問題をエンコードできるが、その性能は様々である。
プログラムのどのバージョンがベストかを識別するのは必ずしも容易ではない。
本稿では,システム処理の性能に影響を与える指標であるプログラムの接地サイズを推定するためのシステム予測器(およびそのアルゴリズムバックエンド)を提案する。
提案手法は,解集合プログラミング書き換えツールプロジェクタとlpoptが生成する書き直しのガイドとして使用する場合の予測器の影響を評価する。
結果はこのアプローチの可能性を示している。
関連論文リスト
- Fast Inference for Probabilistic Answer Set Programs via the Residual Program [0.18416014644193066]
プログラムのいくつかの部分はクエリの確率に影響を与えず、グラウンドのサイズに影響を与えます。
本稿では,残余プログラムを利用した推論手法を提案する。
グラフデータセットの実証的な結果は、このアプローチがはるかに高速な推論につながることを示している。
論文 参考訳（メタデータ） (2024-08-14T12:58:22Z) - Hierarchical Programmatic Reinforcement Learning via Learning to Compose
Programs [58.94569213396991]
プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。
提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。
Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2023-01-30T14:50:46Z) - Fault-Aware Neural Code Rankers [64.41888054066861]
サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。
我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-06-04T22:01:05Z) - Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。
自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。
提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文 参考訳（メタデータ） (2022-05-28T03:31:07Z) - Searching for More Efficient Dynamic Programs [61.79535031840558]
本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。
実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
論文 参考訳（メタデータ） (2021-09-14T20:52:55Z) - Recent Developments in Program Synthesis with Evolutionary Algorithms [1.8047694351309207]
関連する進化的プログラム合成手法を同定し,その性能を詳細に解析する。
私たちが特定する最も影響力のあるアプローチは、スタックベース、文法誘導、および線形遺伝プログラミングである。
今後の研究のために、研究者は、プログラムのアウトプットを使用して、ソリューションの品質を評価するだけでなく、ソリューションへの道を開くことを奨励します。
論文 参考訳（メタデータ） (2021-08-27T11:38:27Z) - Enforcing Consistency in Weakly Supervised Semantic Parsing [68.2211621631765]
本稿では,関連する入力に対する出力プログラム間の整合性を利用して,スプリアスプログラムの影響を低減することを提案する。
より一貫性のあるフォーマリズムは、一貫性に基づくトレーニングを必要とせずに、モデルパフォーマンスを改善することにつながります。
論文 参考訳（メタデータ） (2021-07-13T03:48:04Z) - Representing Partial Programs with Blended Abstract Semantics [62.20775388513027]
プログラム合成エンジンにおける部分的なプログラム表現手法について紹介する。
モジュラーニューラルネットワークとして実装された近似実行モデルを学ぶ。
これらのハイブリッドニューロシンボリック表現は、実行誘導型シンセサイザーがより強力な言語構成を使うことができることを示す。
論文 参考訳（メタデータ） (2020-12-23T20:40:18Z) - Automated Aggregator -- Rewriting with the Counting Aggregate [0.0]
本稿では,補完的な性能を持つ等価プログラム群を生成する自動書き換えシステムを提案する。
本稿では,自動解答器選択ツールにおけるシステムの利用を提案する。
論文 参考訳（メタデータ） (2020-09-22T00:48:33Z) - Learning Differentiable Programs with Admissible Neural Heuristics [43.54820901841979]
ドメイン固有言語におけるプログラムとして表現される微分可能関数の学習問題について検討する。
我々は、この最適化問題を、プログラム構文のトップダウン導出を符号化した重み付きグラフの探索として構成する。
私たちの重要なイノベーションは、さまざまなニューラルネットワークのクラスを、プログラムの空間上の連続的な緩和と見なすことです。
論文 参考訳（メタデータ） (2020-07-23T16:07:39Z)
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。