Fugu-MT 論文翻訳(概要): SharpSAT-TD in Model Counting Competitions 2021-2023

論文の概要: SharpSAT-TD in Model Counting Competitions 2021-2023

arxiv url: http://arxiv.org/abs/2308.15819v1
Date: Wed, 30 Aug 2023 07:43:12 GMT
ステータス: 処理完了
システム内更新日: 2023-08-31 14:33:29.244207
Title: SharpSAT-TD in Model Counting Competitions 2021-2023
Title（参考訳）: 2021-2023年モデルカウント競争におけるSharpSAT-TD
Authors: Tuukka Korhonen, Matti J\"arvisalo
Abstract要約: シャープSAT-TDについて説明する。2021-2023年のモデルカウントコンペティション(Model Counting Competition)の、未加重トラックへの提出である。 SharpSAT-TDはSharpSAT [Thurley, SAT 2006]をベースにしている。
参考スコア（独自算出の注目度）: 2.33877878310217
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe SharpSAT-TD, our submission to the unweighted and weighted tracks of the Model Counting Competition in 2021-2023, which has won in total $6$ first places in different tracks of the competition. SharpSAT-TD is based on SharpSAT [Thurley, SAT 2006], with the primary novel modification being the use of tree decompositions in the variable selection heuristic as introduced by the authors in [CP 2021]. Unlike the version of SharpSAT-TD evaluated in [CP 2021], the current version that is available in https://github.com/Laakeri/sharpsat-td features also other significant modifications compared to the original SharpSAT, for example, a new preprocessor.
Abstract（参考訳）: 我々は2021-2023年のモデル計数競争における、重み付けと重み付けのないトラックへの私たちの提案であるsharpsat-tdについて説明する。 SharpSAT-TD はSharpSAT [Thurley, SAT 2006] をベースとしており,[CP 2021] において著者らが導入した可変選択ヒューリスティックにおける木分解の利用が主な改良点である。 SharpSAT-TDが[CP 2021]で評価されているバージョンとは異なり、https://github.com/Laakeri/sharpsat-tdで利用可能な現在のバージョンは、例えば新しいプリプロセッサのようなオリジナルのSharpSATと比較して、他の重要な変更も行っている。

関連論文リスト

Predicting Customer Satisfaction by Replicating the Survey Response Distribution [4.896237759904916]
コールセンターは、顧客が調査を完了していないコールに対して、顧客の満足度を予測するモデルから恩恵を受けることができる。本稿では,コールセンタ毎のCSAT応答の分布を正確に再現する手法を提案する。
論文参考訳（メタデータ） (2024-11-19T14:39:29Z)
ReNO: Enhancing One-step Text-to-Image Models through Reward-based Noise Optimization [59.72782742378666]
本稿では,Reward-based Noise Optimization (ReNO) を提案する。 20-50秒の計算予算の中で、ReNOによって強化されたワンステップモデルは、現在のすべてのオープンソーステキスト・トゥ・イメージ・モデルの性能を一貫して上回った。
論文参考訳（メタデータ） (2024-06-06T17:56:40Z)
[Call for Papers] The 2nd BabyLM Challenge: Sample-efficient pretraining on a developmentally plausible corpus [81.34965784440176]
このCfPはBabyLM Challenge 2024-2025のルールを提供する。課題の全体的目標は同じままです。私たちは緩い線を紙の線で置き換える。事前学習に関するルールを緩和します。マルチモーダル・ヴィジュアル・アンド・ランゲージ・トラックを導入する。
論文参考訳（メタデータ） (2024-04-09T11:04:50Z)
A Contrastive Compositional Benchmark for Text-to-Image Synthesis: A Study with Unified Text-to-Image Fidelity Metrics [58.83242220266935]
我々は,T2Iモデルの構成性を評価するためのベンチマークであるWinoground-T2Iを紹介する。このベンチマークには、20のカテゴリにまたがる11Kの複雑で高品質なコントラスト文ペアが含まれている。我々は、Winoground-T2Iモデルの性能評価と、その評価に使用される指標の2つの目的を兼ね備えたWinoground-T2Iを用いている。
論文参考訳（メタデータ） (2023-12-04T20:47:48Z)
Estimating the hardness of SAT encodings for Logical Equivalence Checking of Boolean circuits [58.83758257568434]
LEC インスタンスの SAT 符号化の硬さは SAT パーティショニングでは textitw.r. と推定できることを示す。そこで本研究では, SAT符号化の難易度を精度良く推定できるパーティショニング法を提案する。
論文参考訳（メタデータ） (2022-10-04T09:19:13Z)
A Neural Network-based SAT-Resilient Obfuscation Towards Enhanced Logic Locking [3.076761061950216]
本稿では,ニューラルネットワークを用いた unSAT 節変換器 SATConda を提案する。 SATCondaは最小限の領域と電力オーバーヘッドを発生させ、元の機能を不必要なセキュリティで保存する。 SATCondaをISCAS85およびISCAS89ベンチマークで評価した。
論文参考訳（メタデータ） (2022-09-13T07:59:27Z)
SATformer: Transformer-Based UNSAT Core Learning [0.0]
本稿では,SAT 問題に対する Transformer ベースのアプローチである SATformer を紹介する。 SATformerは、問題を直接解決するのではなく、満足できないことに焦点をあてて、その問題を反対方向からアプローチする。 SATformerは、シングルビットの満足度結果と最小限の不満コアを使用して、マルチタスク学習アプローチでトレーニングされる。実験の結果,SATformerは既存のソルバのランタイムを平均21.33%削減できることがわかった。
論文参考訳（メタデータ） (2022-09-02T11:17:39Z)
DeepSAT: An EDA-Driven Learning Framework for SAT [9.111341161918375]
We present DeepSAT, a novel-to-end learning framework for the Boolean satisfiability (SAT) problem。 DeepSATは最先端の学習ベースSATソリューションに対して,大幅な精度向上を実現している。
論文参考訳（メタデータ） (2022-05-27T03:20:42Z)
The JHU submission to VoxSRC-21: Track 3 [31.804401484416452]
本報告では、Voxceleb Speaker Recognition Challenge 2021 Track 3に提出されたジョンズ・ホプキンス大学話者認識システムについて述べる。私たちの全体的なトレーニングプロセスは、昨年のVoxSRC 2020チャレンジで提案されたものと似ています。これは、Voxceleb1 test o、VoxSRC-21 Validation、テストトライアルにおいて、EER(%)の1.89、6.50、および6.89をそれぞれ示す、最も優れた提案モデルである。
論文参考訳（メタデータ） (2021-09-28T01:30:10Z)
The USYD-JD Speech Translation System for IWSLT 2021 [85.64797317290349]
本稿では,シドニー大学とJDが共同でIWSLT 2021低リソース音声翻訳タスクを提出したことを述べる。私たちは、公式に提供されたASRとMTデータセットでモデルをトレーニングしました。翻訳性能の向上を目的として, バック翻訳, 知識蒸留, 多機能再構成, トランスダクティブファインタニングなど, 最新の効果的な手法について検討した。
論文参考訳（メタデータ） (2021-07-24T09:53:34Z)
Smooth Adversarial Training [120.44430400607483]
ネットワークは正確かつ堅牢であると一般に信じられている。ここでは、敵対的訓練に関する慎重な研究により、これらの共通の信念に挑戦する証拠を提示する。本研究では、ReLUをそのスムーズな近似で置き換えて、逆行訓練を強化するスムーズな逆行訓練(SAT)を提案する。
論文参考訳（メタデータ） (2020-06-25T16:34:39Z)

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。