論文の概要: Problem-Solving Guide: Predicting the Algorithm Tags and Difficulty for Competitive Programming Problems
- arxiv url: http://arxiv.org/abs/2310.05791v2
- Date: Sun, 13 Oct 2024 13:29:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-15 15:03:19.868640
- Title: Problem-Solving Guide: Predicting the Algorithm Tags and Difficulty for Competitive Programming Problems
- Title（参考訳）: 問題解決ガイド:アルゴリズムタグの予測と競合プログラミング問題への難しさ
- Authors: Juntae Kim, Eunjung Cho, Dongbin Na,
- Abstract要約: ほとんどのテック企業は、Google、Meta、Amazonなど、アルゴリズムの問題を解決する能力を必要としている。
本研究は,アルゴリズムタグをエンジニアや開発者の有用なツールとして予測する作業に対処する。
また,この問題の解決に要する時間を計算するための有用なガイダンスとして,アルゴリズム問題の難易度を予測することを検討する。
- 参考スコア（独自算出の注目度）: 7.955313479061445
- License:
- Abstract: The recent program development industries have required problem-solving abilities for engineers, especially application developers. However, AI-based education systems to help solve computer algorithm problems have not yet attracted attention, while most big tech companies require the ability to solve algorithm problems including Google, Meta, and Amazon. The most useful guide to solving algorithm problems might be guessing the category (tag) of the facing problems. Therefore, our study addresses the task of predicting the algorithm tag as a useful tool for engineers and developers. Moreover, we also consider predicting the difficulty levels of algorithm problems, which can be used as useful guidance to calculate the required time to solve that problem. In this paper, we present a real-world algorithm problem multi-task dataset, AMT, by mainly collecting problem samples from the most famous and large competitive programming website Codeforces. To the best of our knowledge, our proposed dataset is the most large-scale dataset for predicting algorithm tags compared to previous studies. Moreover, our work is the first to address predicting the difficulty levels of algorithm problems. We present a deep learning-based novel method for simultaneously predicting algorithm tags and the difficulty levels of an algorithm problem given. All datasets and source codes are available at https://github.com/sronger/PSG_Predicting_Algorithm_Tags_and_Difficulty.
- Abstract（参考訳）: 最近のプログラム開発産業は、エンジニア、特にアプリケーション開発者に対して問題解決能力を必要としている。
しかし、コンピュータアルゴリズムの問題を解決するAIベースの教育システムは、まだ注目されていないが、ほとんどの大企業は、Google、Meta、Amazonといったアルゴリズムの問題を解決する能力を必要としている。
アルゴリズム問題を解くための最も有用なガイドは、直面する問題のカテゴリ(タグ)を推測することかもしれない。
そこで本研究では,アルゴリズムタグをエンジニアや開発者の有用なツールとして予測する作業に対処する。
また,アルゴリズム問題の難易度を予測し,その問題を解くために必要な時間を計算するための有用なガイダンスとして利用することができる。
本稿では、最も有名で大規模な競合するプログラミングウェブサイトであるCodeforcesから問題サンプルを主に収集し、実世界のマルチタスクデータセットであるAMTを提案する。
我々の知る限り、提案したデータセットは、従来の研究と比較してアルゴリズムタグを予測するための最も大規模なデータセットである。
さらに、アルゴリズム問題の難易度を予測するための最初の研究である。
本稿では,アルゴリズムタグとアルゴリズム問題の難易度を同時に予測する深層学習に基づく新しい手法を提案する。
すべてのデータセットとソースコードはhttps://github.com/sronger/PSG_Predicting_Algorithm_Tags_and_Difficultyで公開されている。
関連論文リスト
- Reputational Algorithm Aversion [0.0]
本稿では,アルゴリズムに従う選択が人間の能力に関する情報を伝達するときに,アルゴリズムの逆転が生じることを示す。
労働者が自分のプライベート情報とアルゴリズムの信号に基づいて不確実な結果を予測するモデルを開発する。
論文 参考訳（メタデータ） (2024-02-23T16:28:55Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - The CLRS Algorithmic Reasoning Benchmark [28.789225199559834]
アルゴリズムの学習表現は機械学習の新たな領域であり、ニューラルネットワークから古典的なアルゴリズムで概念をブリッジしようとしている。
本稿では,従来のアルゴリズムを包括するCLRS Algorithmic Reasoning Benchmarkを提案する。
我々のベンチマークは、ソート、探索、動的プログラミング、グラフアルゴリズム、文字列アルゴリズム、幾何アルゴリズムなど、様々なアルゴリズムの推論手順にまたがっている。
論文 参考訳（メタデータ） (2022-05-31T09:56:44Z) - An Approach for Automatic Construction of an Algorithmic Knowledge Graph
from Textual Resources [3.723553383515688]
本稿では,非構造化データからアルゴリズム問題の知識グラフを自動的に作成する手法を提案する。
アルゴリズムKGは、アルゴリズムメタデータに追加のコンテキストと説明可能性を与える。
論文 参考訳（メタデータ） (2022-05-13T18:59:23Z) - How to transfer algorithmic reasoning knowledge to learn new algorithms? [23.335939830754747]
我々は,実行トレースにアクセス可能なアルゴリズムを用いて,そうでない同様のタスクを解く方法について検討する。
9つのアルゴリズムと3つの異なるグラフタイプを含むデータセットを作成します。
我々はこれを実証的に検証し、その代わりにマルチタスク学習を用いてアルゴリズム推論知識の伝達を実現する方法を示す。
論文 参考訳（メタデータ） (2021-10-26T22:14:47Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Towards Meta-Algorithm Selection [78.13985819417974]
インスタンス固有のアルゴリズム選択(AS)は、固定された候補集合からのアルゴリズムの自動選択を扱う。
メタアルゴリズムの選択は、いくつかのケースで有益であることを示す。
論文 参考訳（メタデータ） (2020-11-17T17:27:33Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z) - Nature-Inspired Optimization Algorithms: Challenges and Open Problems [3.7692411550925673]
科学と工学の問題は、複雑な非線形制約の下で最適化問題として定式化することができる。
非常に非線形な問題の解は通常、洗練された最適化アルゴリズムを必要とし、伝統的なアルゴリズムはそのような問題に対処するのに苦労する。
現在のトレンドは、柔軟性と有効性から自然にインスパイアされたアルゴリズムを使用することです。
論文 参考訳（メタデータ） (2020-03-08T13:00:04Z) - Adversarial Online Learning with Changing Action Sets: Efficient
Algorithms with Approximate Regret Bounds [48.312484940846]
睡眠の専門家やバンドイットによるオンライン学習の問題を再考する。
各タイムステップにおいて、アルゴリズムが選択できるアクションのサブセットのみが利用可能である。
我々は、一般的な睡眠専門家/バンド問題に対して、アポキシマ-レグレット保証を提供するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-03-07T02:13:21Z)
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。