論文の概要: Guided Bottom-Up Interactive Constraint Acquisition
- arxiv url: http://arxiv.org/abs/2307.06126v1
- Date: Wed, 12 Jul 2023 12:25:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 13:12:24.826981
- Title: Guided Bottom-Up Interactive Constraint Acquisition
- Title（参考訳）: ボトムアップ型対話型制約獲得
- Authors: Dimos Tsouros, Senne Berden, Tias Guns
- Abstract要約: 制約獲得システム(Constraint Acquisition, CA)は制約満足度問題のモデル化を支援する。
現在の対話型CAアルゴリズムは、少なくとも2つの大きなボトルネックに悩まされている。
本稿では,CAの効率を向上する2つの新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 10.552990258277434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constraint Acquisition (CA) systems can be used to assist in the modeling of
constraint satisfaction problems. In (inter)active CA, the system is given a
set of candidate constraints and posts queries to the user with the goal of
finding the right constraints among the candidates. Current interactive CA
algorithms suffer from at least two major bottlenecks. First, in order to
converge, they require a large number of queries to be asked to the user.
Second, they cannot handle large sets of candidate constraints, since these
lead to large waiting times for the user. For this reason, the user must have
fairly precise knowledge about what constraints the system should consider. In
this paper, we alleviate these bottlenecks by presenting two novel methods that
improve the efficiency of CA. First, we introduce a bottom-up approach named
GrowAcq that reduces the maximum waiting time for the user and allows the
system to handle much larger sets of candidate constraints. It also reduces the
total number of queries for problems in which the target constraint network is
not sparse. Second, we propose a probability-based method to guide query
generation and show that it can significantly reduce the number of queries
required to converge. We also propose a new technique that allows the use of
openly accessible CP solvers in query generation, removing the dependency of
existing methods on less well-maintained custom solvers that are not publicly
available. Experimental results show that our proposed methods outperform
state-of-the-art CA methods, reducing the number of queries by up to 60%. Our
methods work well even in cases where the set of candidate constraints is 50
times larger than the ones commonly used in the literature.
- Abstract（参考訳）: 制約獲得(ca)システムは、制約満足度問題のモデリングを支援するために使用できる。
対話型caでは、システムは候補制約のセットを与えられ、候補間の適切な制約を見つけることを目標として、ユーザにクエリをポストする。
現在の対話型CAアルゴリズムは、少なくとも2つの大きなボトルネックに悩まされている。
まず、収束させるためには、ユーザに対して大量のクエリを要求する必要があります。
第二に、ユーザの待ち時間が大きくなるため、大量の候補制約を処理できない。
そのため、ユーザは、システムが考慮すべき制約について、かなり正確な知識を持つ必要があります。
本稿では,CAの効率を向上する2つの新しい手法を提案することにより,これらのボトルネックを緩和する。
まず,groveacqというボトムアップアプローチを導入することで,ユーザの待ち時間を短縮し,さらに多くの制約候補を処理することができる。
また、ターゲットの制約ネットワークがスパースしていない問題に対するクエリの総数も削減する。
第2に,クエリ生成をガイドする確率ベース手法を提案し,収束に必要なクエリ数を大幅に削減できることを示す。
また、クエリ生成にオープンアクセス可能なCPソルバを使用できる新しい手法を提案し、公開されていないメンテナンスの少ないカスタムソルバへの既存のメソッドの依存性を除去する。
実験の結果,提案手法は最先端caメソッドよりも優れており,クエリ数を最大60%削減できることがわかった。
提案手法は, 候補制約の集合が文献で一般的に用いられる制約よりも50倍大きい場合においても有効である。
関連論文リスト
- Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-02T07:44:48Z) - On Speeding Up Language Model Evaluation [48.51924035873411]
LLM(Large Language Models)を用いたプロンプトベースの手法の開発には、多くの意思決定が必要である。
この課題に対処するための新しい手法を提案する。
典型的に必要とされるリソースの5～15%しか必要とせず,トップパフォーマンスの手法を識別できることが示される。
論文 参考訳（メタデータ） (2024-07-08T17:48:42Z) - Learning to Learn in Interactive Constraint Acquisition [7.741303298648302]
制約獲得(CA:Constraint Acquisition)では、モデルを自動的に学習することでユーザを支援することが目標である。
アクティブCAでは、クエリを対話的にユーザにポストすることでこれを行う。
本稿では、確率論的分類モデルを用いて対話型CAを誘導し、より有望なクエリを生成することを提案する。
論文 参考訳（メタデータ） (2023-12-17T19:12:33Z) - SQLNet: Scale-Modulated Query and Localization Network for Few-Shot
Class-Agnostic Counting [71.38754976584009]
CAC(class-agnostic counting)タスクは、最近、任意のクラスの全てのオブジェクトを、入力画像にいくつかの例を付与してカウントする問題を解くために提案されている。
我々は、スケール変調クエリーおよびローカライズネットワーク(Net)と呼ばれる、新しいローカライズベースのCACアプローチを提案する。
クエリとローカライゼーションの段階において、模範者のスケールを完全に探求し、各オブジェクトを正確に位置付けし、その近似サイズを予測することで、効果的なカウントを実現している。
論文 参考訳（メタデータ） (2023-11-16T16:50:56Z) - User-Level Differential Privacy With Few Examples Per User [73.81862394073308]
サンプルスカース方式では,各ユーザが少数のサンプルしか持たないため,以下の結果が得られる。
近似DPについては,任意の項目レベルDPアルゴリズムをユーザレベルDPアルゴリズムに汎用変換する。
ユーザレベル設定に指数的機構(McSherry, Talwar FOCS 2007)を適用するための簡単な手法を提案する。
論文 参考訳（メタデータ） (2023-09-21T21:51:55Z) - Logic-Based Benders Decomposition in Answer Set Programming for Chronic
Outpatients Scheduling [2.370481325034443]
Answer Set Programming (ASP)では、ユーザーは宣言的に問題を定義でき、効率的な解法でそれを解決できる。
他の研究領域では、論理ベースのベンダー分解(LBBD)が有効であることが証明された。
本稿では, 医療分野の応用を事例として, LBBD を ASP に適用する。
論文 参考訳（メタデータ） (2023-05-19T19:34:47Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-30T08:02:18Z) - Solve Optimization Problems with Unknown Constraint Networks [13.896724650508089]
目的関数と未知の制約ネットワークを用いて最適化問題の解法を提案する。
このアルゴリズムは、未知の制約を学習し、最適解のバウンダリを計算するアクティブな制約取得アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-11-23T13:39:41Z) - Efficient Multiple Constraint Acquisition [1.3706331473063877]
QuAcqやMultiAcqのような制約獲得システムは、専門家でないユーザが自身の問題を制約ネットワークとしてモデル化するのを支援できる。
本稿では,クエリ数を大幅に削減することで,制約獲得の性能を高める手法を提案する。
そして、我々はクエリ生成に注意を向けます。
論文 参考訳（メタデータ） (2021-09-13T12:42:16Z) - Partial Queries for Constraint Acquisition [40.280429279882]
ユーザに対して部分的なクエリを問うことによって,制約ネットワークを学習する。
すなわち、変数のサブセットへの代入を正あるいは負のものとして分類するようユーザに求めます。
我々は、負の例を与えられた場合、サンプルのサイズで対数的な多数のクエリにおいて、対象ネットワークの制約に焦点をあてる QUACQ と呼ばれるアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-03-14T14:43:45Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。