論文の概要: Learning to Learn in Interactive Constraint Acquisition
- arxiv url: http://arxiv.org/abs/2312.10795v1
- Date: Sun, 17 Dec 2023 19:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 14:32:51.246937
- Title: Learning to Learn in Interactive Constraint Acquisition
- Title（参考訳）: 対話的制約獲得における学習
- Authors: Dimos Tsouros, Senne Berden, Tias Guns
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.741303298648302
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constraint Programming (CP) has been successfully used to model and solve
complex combinatorial problems. However, modeling is often not trivial and
requires expertise, which is a bottleneck to wider adoption. In Constraint
Acquisition (CA), the goal is to assist the user by automatically learning the
model. In (inter)active CA, this is done by interactively posting queries to
the user, e.g., asking whether a partial solution satisfies their (unspecified)
constraints or not. While interac tive CA methods learn the constraints, the
learning is related to symbolic concept learning, as the goal is to learn an
exact representation. However, a large number of queries is still required to
learn the model, which is a major limitation. In this paper, we aim to
alleviate this limitation by tightening the connection of CA and Machine
Learning (ML), by, for the first time in interactive CA, exploiting statistical
ML methods. We propose to use probabilistic classification models to guide
interactive CA to generate more promising queries. We discuss how to train
classifiers to predict whether a candidate expression from the bias is a
constraint of the problem or not, using both relation-based and scope-based
features. We then show how the predictions can be used in all layers of
interactive CA: the query generation, the scope finding, and the lowest-level
constraint finding. We experimentally evaluate our proposed methods using
different classifiers and show that our methods greatly outperform the state of
the art, decreasing the number of queries needed to converge by up to 72%.
- Abstract（参考訳）: 制約プログラミング(CP)は複雑な組合せ問題のモデル化と解決に成功している。
しかし、モデリングはしばしば簡単ではなく、専門知識を必要とします。
Constraint Acquisition (CA)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。
インタラクティブなcaでは、例えば、部分的なソリューションが(特定されていない)制約を満たすかどうかを問うように、ユーザに対してインタラクティブにクエリを投稿することで実現します。
間欠的なCA手法は制約を学習するが、学習の目的は正確な表現を学習することであり、シンボリックな概念学習に関連している。
しかし、モデルを学ぶためにはまだ大量のクエリが必要であり、これは大きな制限である。
本稿では,CAと機械学習(ML)の接続を断ち切ることで,統計的ML手法を利用した対話型CAにおいて,この制限を緩和することを目的とする。
本稿では,より有望なクエリを生成するために,対話型caを導く確率的分類モデルを提案する。
本稿では、関係に基づく特徴とスコープに基づく特徴の両方を用いて、バイアスからの候補表現が問題の制約であるか否かを予測するための分類器の訓練方法について論じる。
次に,対話型caのすべてのレイヤ – クエリ生成,スコープ検索,最低レベルの制約検出 – で,予測をどのように利用できるかを示す。
異なる分類器を用いて提案手法を実験的に評価し,提案手法がアートの状態を著しく上回っており,集約に必要なクエリ数が最大72%削減できることを示した。
関連論文リスト
- Automatic Feature Learning for Essence: a Case Study on Car Sequencing [1.006631010704608]
問題インスタンスに最適な組み合わせを自動的に選択するために、機械学習モデルを構築するタスクについて検討する。
学習プロセスの重要な部分は、選択モデルへの入力として機能するインスタンス機能を定義することである。
私たちの貢献は、言語モデルを用いた問題インスタンスの高レベル表現から直接、インスタンス機能の自動学習です。
論文 参考訳（メタデータ） (2024-09-23T16:06:44Z) - STAND: Data-Efficient and Self-Aware Precondition Induction for Interactive Task Learning [0.0]
STANDはデータ効率と計算効率のよい機械学習手法である。
XGBoostのような一般的なアプローチよりも、分類精度が高い。
これはインスタンス確実性と呼ばれる尺度を生成し、ホールドアウトセットのパフォーマンスの増加を予測する。
論文 参考訳（メタデータ） (2024-09-11T22:49:38Z) - 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) - Cache & Distil: Optimising API Calls to Large Language Models [82.32065572907125]
ジェネレーティブAIツールの大規模デプロイは、ユーザクエリをフルフィルするために、LLM(Large Language Model)に対する高価なAPI呼び出しに依存することが多い。
これらの呼び出しの頻度を縮めるために、より小さな言語モデル(学生)を用いることができる。
この学生は、ユーザー要求の増加に独立して対処する能力が徐々に向上する。
論文 参考訳（メタデータ） (2023-10-20T15:01:55Z) - Guided Bottom-Up Interactive Constraint Acquisition [10.552990258277434]
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。
論文 参考訳（メタデータ） (2023-07-12T12:25:37Z) - Complementary Learning Subnetworks for Parameter-Efficient
Class-Incremental Learning [40.13416912075668]
本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。
提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
論文 参考訳（メタデータ） (2023-06-21T01:43:25Z) - RetICL: Sequential Retrieval of In-Context Examples with Reinforcement Learning [53.52699766206808]
In-Context Learning (RetICL) のための検索式を提案する。
RetICLは数学用語の問題解決と科学的質問応答のタスクに基づいて評価し,一貫した性能や一致,学習可能なベースラインを示す。
論文 参考訳（メタデータ） (2023-05-23T20:15:56Z) - Mitigating Catastrophic Forgetting in Task-Incremental Continual
Learning with Adaptive Classification Criterion [50.03041373044267]
本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。
実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
論文 参考訳（メタデータ） (2023-05-20T19:22:40Z) - On data-driven chance constraint learning for mixed-integer optimization
problems [0.0]
本稿では,混合整数線形最適化問題に着目したCCL手法を提案する。
CCLは線形化可能な機械学習モデルを使用して、学習変数の条件量子を推定する。
実践者が使用するオープンアクセスソフトウェアが開発されている。
論文 参考訳（メタデータ） (2022-07-08T11:54:39Z) - A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。
制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。
数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文 参考訳（メタデータ） (2022-02-08T19:18:49Z) - Probabilistic Case-based Reasoning for Open-World Knowledge Graph
Completion [59.549664231655726]
ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。
本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。
提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
論文 参考訳（メタデータ） (2020-10-07T17:48:12Z)
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。