Fugu-MT 論文翻訳(概要): Learning Interpretable Heuristics for WalkSAT

論文の概要: Learning Interpretable Heuristics for WalkSAT

arxiv url: http://arxiv.org/abs/2307.04608v1
Date: Mon, 10 Jul 2023 14:52:14 GMT
ステータス: 処理完了
システム内更新日: 2023-07-11 12:42:55.302436
Title: Learning Interpretable Heuristics for WalkSAT
Title（参考訳）: ウォークサットの解釈的ヒューリスティックス学習
Authors: Yannet Interian and Sara Bernardini
Abstract要約: 本稿では,強化学習を用いて効果的な可変スコアリング関数と雑音パラメータを学習する手法を提案する。実験の結果,WalkSATベースラインと,学習したローカル検索の両方に関して改善が見られた。
参考スコア（独自算出の注目度）: 0.34265828682659694
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Local search algorithms are well-known methods for solving large, hard instances of the satisfiability problem (SAT). The performance of these algorithms crucially depends on heuristics for setting noise parameters and scoring variables. The optimal setting for these heuristics varies for different instance distributions. In this paper, we present an approach for learning effective variable scoring functions and noise parameters by using reinforcement learning. We consider satisfiability problems from different instance distributions and learn specialized heuristics for each of them. Our experimental results show improvements with respect to both a WalkSAT baseline and another local search learned heuristic.
Abstract（参考訳）: 局所探索アルゴリズムは、SAT(Satisfiability problem)の大規模で難しい問題を解くためのよく知られた手法である。これらのアルゴリズムの性能は、ノイズパラメータの設定とスコアリング変数のヒューリスティックに依存する。これらのヒューリスティックスの最適設定は、異なるインスタンス分布に対して異なる。本稿では,強化学習を用いて,有効変数スコアリング関数と雑音パラメータを学習する手法を提案する。我々は、異なるインスタンス分布から満足度問題を考察し、それぞれに専門的なヒューリスティックスを学ぶ。実験の結果,WalkSATベースラインとローカル検索学習ヒューリスティックの両方に関して改善が見られた。

関連論文リスト

ANOVA-boosting for Random Fourier Features [0.0]
我々のアルゴリズムは、重要な入力変数と変数の相互作用のインデックスセットを確実に見つけることができる。我々のアルゴリズムは解釈可能性の利点があり、つまり、全ての入力変数の影響が学習モデルで知られていることを意味する。
論文参考訳（メタデータ） (2024-04-03T20:34:18Z)
Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文参考訳（メタデータ） (2023-11-09T23:32:06Z)
Winning Prize Comes from Losing Tickets: Improve Invariant Learning by Exploring Variant Parameters for Out-of-Distribution Generalization [76.27711056914168]
Out-of-Distribution (OOD) 一般化は、分散固有の特徴に適合することなく、様々な環境によく適応する堅牢なモデルを学ぶことを目的としている。 LTH(Lottery Ticket hypothesis)に基づく最近の研究は、学習目標を最小化し、タスクに重要なパラメータのいくつかを見つけることでこの問題に対処している。 Invariant Learning (EVIL) における変数探索手法を提案する。
論文参考訳（メタデータ） (2023-10-25T06:10:57Z)
Score-Based Methods for Discrete Optimization in Deep Learning [30.446056972242616]
このような問題を解決するためのスコアベース近似フレームワークについて検討する。逆集合分類タスクにおいて,本手法は,手法に比べて速度と解の質において優れたトレードオフを達成できることを実験的に実証した。
論文参考訳（メタデータ） (2023-10-15T17:14:17Z)
Using deep learning to construct stochastic local search SAT solvers with performance bounds [0.0]
グラフニューラルネットワークを用いてオーラクルを訓練し、2つのSLSソルバ上で、様々な難易度を持つランダムSATインスタンス上でそれらを評価する。 GNNベースのオラクルへのアクセスは,両者のパフォーマンスを著しく向上させることがわかった。
論文参考訳（メタデータ） (2023-09-20T16:27:52Z)
Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文参考訳（メタデータ） (2023-01-18T04:54:58Z)
Nonequilibrium Monte Carlo for unfreezing variables in hard combinatorial optimization [1.1783108699768]
適応的勾配自由戦略を開発することにより,非局所非平衡モンテカルロ(NMC)アルゴリズムの量子インスパイアされたファミリーを導入する。我々は、特殊解法と汎用解法の両方に対して、大幅な高速化と堅牢性を観察する。
論文参考訳（メタデータ） (2021-11-26T17:45:32Z)
Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise Learning [65.54757265434465]
ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
論文参考訳（メタデータ） (2021-11-23T18:10:48Z)
Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文参考訳（メタデータ） (2020-10-24T21:35:57Z)
Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。