Fugu-MT 論文翻訳(概要): Advances in ACL2 Proof Debugging Tools

論文の概要: Advances in ACL2 Proof Debugging Tools

arxiv url: http://arxiv.org/abs/2311.08856v1
Date: Wed, 15 Nov 2023 10:46:55 GMT
ステータス: 処理完了
システム内更新日: 2023-11-16 16:22:11.744571
Title: Advances in ACL2 Proof Debugging Tools
Title（参考訳）: ACL2 Proof Debuggingツールの進歩
Authors: Matt Kaufmann (UT Austin, retired), J Strother Moore (UT Austin, retired)
Abstract要約: ACL2証明を成功させる鍵は、これらの障害をデバッグするツールを効果的に利用することである。 ACL2バージョン8.5以降の変更 - 改良されたブレークリライトユーティリティと新しいユーティリティであるwith-brr-data。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The experience of an ACL2 user generally includes many failed proof attempts. A key to successful use of the ACL2 prover is the effective use of tools to debug those failures. We focus on changes made after ACL2 Version 8.5: the improved break-rewrite utility and the new utility, with-brr-data.
Abstract（参考訳）: ACL2ユーザの経験には、一般的に多くの失敗する証明の試みが含まれている。 ACL2証明を成功させる鍵は、これらの障害をデバッグするツールを効果的に利用することである。 ACL2バージョン8.5以降の変更 - 改良されたブレークリライトユーティリティと新しいユーティリティであるwith-brr-data。

関連論文リスト

Toolken+: Improving LLM Tool Usage with Reranking and a Reject Option [5.61458021213001]
Toolken+は、ToolkenGPTが選択した上位$kのツールをランク付けすることで、最初の問題を軽減します。ツールケン+が多段階の数値推論およびツール選択タスクに与える影響を実証する。
論文参考訳（メタデータ） (2024-10-15T19:09:03Z)
ET tu, CLIP? Addressing Common Object Errors for Unseen Environments [0.2714641498775158]
ALFREDタスクにおけるモデル一般化を強化するために、事前訓練されたCLIPエンコーダを使用する簡単な方法を提案する。 CLIPがビジュアルエンコーダを置き換える以前の文献とは対照的に、補助オブジェクト検出の目的を通じて追加モジュールとしてCLIPを使用することを提案する。
論文参考訳（メタデータ） (2024-06-25T18:35:13Z)
Implicit In-context Learning [37.0562059811099]
In-context Learning (ICL)は、大規模な言語モデルに対して、テストクエリの前にいくつかの実演例をプレフィックスすることで、推論中に目に見えないタスクに適応する権限を与える。 Inlicit In-context Learning (I2CL)は、従来のICLにまつわる課題に、アクティベーション空間内の実演例を吸収することで対処する革新的なパラダイムである。 I2CLは、ゼロショットコストで数ショットのパフォーマンスを達成し、デモ例のバリエーションに対して堅牢性を示す。
論文参考訳（メタデータ） (2024-05-23T14:57:52Z)
Many-Shot In-Context Learning [58.395589302800566]
大規模言語モデル (LLMs) は、文脈内学習 (ICL) において優れている我々は、多種多様な生成的および識別的タスクにおける顕著なパフォーマンス向上を観察する。少数ショット学習とは異なり、多ショット学習は事前学習されたバイアスをオーバーライドするのに効果的である。
論文参考訳（メタデータ） (2024-04-17T02:49:26Z)
RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。 RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。 BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
論文参考訳（メタデータ） (2024-01-28T11:51:09Z)
BadCLIP: Trigger-Aware Prompt Learning for Backdoor Attacks on CLIP [55.33331463515103]
BadCLIPは、CLIPに対するバックドア攻撃において、新しく効果的なメカニズムの上に構築されている。画像に適用される学習可能なトリガーとトリガー対応コンテキストジェネレータで構成されており、トリガーはトリガー対応プロンプトを通じてテキスト機能を変更することができる。
論文参考訳（メタデータ） (2023-11-26T14:24:13Z)
Enhancing Adversarial Contrastive Learning via Adversarial Invariant Regularization [59.77647907277523]
Adversarial contrastive learning (ACL)は、標準コントラスト学習(SCL)を強化する技術である。本稿では,スタイル要因からの独立性を確保するために,逆不変正規化(AIR)を提案する。
論文参考訳（メタデータ） (2023-04-30T03:12:21Z)
Contrastive Learning with Adversarial Examples [79.39156814887133]
コントラスト学習(Contrastive Learning, CL)は、視覚表現の自己教師型学習(SSL)において一般的な手法である。本稿では,コンストラクティブ・ラーニングのための新しい逆例群を紹介し,これらの例を用いてCLAEと表記されるSSLの新しい逆トレーニングアルゴリズムを定義する。
論文参考訳（メタデータ） (2020-10-22T20:45:10Z)
Learning with Multiple Complementary Labels [94.8064553345801]
補ラベル(CL)は、単に例の不正なクラスを示すが、CLで学習すると、多クラス分類器が生成される。そこで本研究では,MCLを各例に示すための新しい問題設定と,MCLを学習するための2つの方法を提案する。
論文参考訳（メタデータ） (2019-12-30T13:50:51Z)

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。