論文の概要: Inductive Learning of Declarative Domain-Specific Heuristics for ASP
- arxiv url: http://arxiv.org/abs/2308.15863v1
- Date: Wed, 30 Aug 2023 08:55:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 14:13:02.194198
- Title: Inductive Learning of Declarative Domain-Specific Heuristics for ASP
- Title(参考訳): ASP向け宣言型ドメイン特化ヒューリスティックの帰納学習
- Authors: Richard Comploi-Taupe (Siemens AG \"Osterreich, Vienna, Austria)
- Abstract要約: 本稿では,ドメイン固有性の自動学習に対する新しいアプローチを提案する。
Inductive Logic Programming(ILP)を使用して、小さなが代表的な問題インスタンスの(ほぼ)回答セットから生じる例からドメイン固有性を学ぶ。
実験結果から,同じ問題の大規模で難しいインスタンスを解く際に,学習者が性能とソリューションの品質を向上できることが示唆された。
- 参考スコア(独自算出の注目度): 1.0904219197219578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain-specific heuristics are a crucial technique for the efficient solving
of problems that are large or computationally hard. Answer Set Programming
(ASP) systems support declarative specifications of domain-specific heuristics
to improve solving performance. However, such heuristics must be invented
manually so far. Inventing domain-specific heuristics for answer-set programs
requires expertise with the domain under consideration and familiarity with ASP
syntax, semantics, and solving technology. The process of inventing useful
heuristics would highly profit from automatic support. This paper presents a
novel approach to the automatic learning of such heuristics. We use Inductive
Logic Programming (ILP) to learn declarative domain-specific heuristics from
examples stemming from (near-)optimal answer sets of small but representative
problem instances. Our experimental results indicate that the learned
heuristics can improve solving performance and solution quality when solving
larger, harder instances of the same problem.
- Abstract(参考訳): ドメイン固有のヒューリスティックスは、大規模または計算的に難しい問題の効率的な解法にとって重要な技術である。
応答セットプログラミング(asp)システムは、パフォーマンスを改善するためにドメイン固有のヒューリスティックの宣言的仕様をサポートする。
しかし、そのようなヒューリスティックは今のところ手作業で発明されなければならない。
応答セットプログラムのためのドメイン固有のヒューリスティックを作成するには、ASPの構文、セマンティクス、および解決技術に精通しているドメインに関する専門知識が必要である。
有用なヒューリスティックを発明するプロセスは、自動サポートから高い利益を得るだろう。
本稿では,そのようなヒューリスティックスの自動学習に対する新しいアプローチを提案する。
帰納的論理プログラミング(ilp)を使って、小さなが代表的な問題インスタンスの最適解集合に由来する例から宣言的ドメイン固有ヒューリスティックスを学ぶ。
実験の結果、学習したヒューリスティックスは、同じ問題の大規模で難しいインスタンスを解決する際に、パフォーマンスとソリューションのクオリティを改善できることが示されました。
関連論文リスト
- Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。
不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。
対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
論文 参考訳(メタデータ) (2025-02-18T17:12:26Z) - LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。
LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。
これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
論文 参考訳(メタデータ) (2025-01-30T22:21:12Z) - Make LLMs better zero-shot reasoners: Structure-orientated autonomous reasoning [52.83539473110143]
本稿では,Large Language Models (LLM) の質問をよりよく理解するための構造指向分析手法を提案する。
複雑な質問応答タスクの信頼性をさらに向上するために,多エージェント推論システム,構造指向自律推論エージェント(SARA)を提案する。
大規模な実験により,提案システムの有効性が検証された。
論文 参考訳(メタデータ) (2024-10-18T05:30:33Z) - Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳(メタデータ) (2024-02-29T15:36:01Z) - Large Language Models as Analogical Reasoners [155.9617224350088]
CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。
そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
論文 参考訳(メタデータ) (2023-10-03T00:57:26Z) - Specifying and Exploiting Non-Monotonic Domain-Specific Declarative
Heuristics in Answer Set Programming [5.887969742827488]
ドメイン特化(Domain-specifics)は、問題解決に不可欠なテクニックである。
ドメイン特化をASP(Answer Set Programming)と統合する現在のアプローチは、単調に指定されていないドメインを扱う場合に不満足です。
ASP.NETにおけるドメイン特化の宣言仕様のための新しい構文とセマンティクスを提示する。
論文 参考訳(メタデータ) (2022-09-19T14:57:50Z) - Tools and Methodologies for Verifying Answer Set Programs [0.0]
ASP.NETは強力な宣言型プログラミングパラダイムで、検索と最適化の課題を解決するのによく使われます。
知識表現と推論へのアプローチとして、ASPはその単純さ、簡潔さ、厳密に定義されたセマンティクスから恩恵を受ける。
私の研究は、ASPプロガムの検証をサポートする理論とツールの拡張に関するものです。
論文 参考訳(メタデータ) (2022-08-05T10:50:21Z) - Unifying Framework for Optimizations in non-boolean Formalisms [0.6853165736531939]
多くの一般的な自動推論パラダイムは最適化文をサポートする言語を提供する。
本稿では,パラダイム間の統語的区別を排除する統一フレームワークを提案する。
本稿では,提案方式の形式的特性を,我々の枠組み内で捉えることができるパラダイムの形式的特性に変換するシステムについて検討する。
論文 参考訳(メタデータ) (2022-06-16T00:38:19Z) - An Abstract View on Optimizations in Propositional Frameworks [0.6853165736531939]
本稿では,パラダイム間の統語的区別を排除した,いわゆる重みシステムの統一フレームワークを提案する。
このフレームワークは、自動推論と知識表現における最適化とモジュラリティの研究において、大幅な単純化と説明力を持っている。
論文 参考訳(メタデータ) (2022-06-13T19:44:01Z) - Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。
我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。
主アルゴリズムの正確性と収束性を保証する。
論文 参考訳(メタデータ) (2021-02-01T01:13:03Z)
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。