論文の概要: Model Checking Logical Actions in Magic Tricks
- arxiv url: http://arxiv.org/abs/2402.13802v1
- Date: Wed, 21 Feb 2024 13:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 15:36:33.405692
- Title: Model Checking Logical Actions in Magic Tricks
- Title（参考訳）: マジックトリックにおける論理的行動のモデルチェック
- Authors: Weijun Zhu
- Abstract要約: モデルチェック(MC)技術は、典型的なカードマジック(CM)をケーススタディを通じて研究するために用いられる。
その結果、マジックトリックモデルチェック(MTMC)技術は、設計されたMTがそのアーキテクトの期待と要求を満たすかどうかを検証することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Some Magic Tricks (MT), such as many kinds of Card Magic (CM), consisting of
human computational or logical actions. How to ensure the logical correctness
of these MTs? In this paper, the Model Checking (MC) technique is employed to
study a typical CM via a case study. First, computational operations of a CM
called shousuigongcishi can be described by a Magic Algorithm (MAR). Second,
the logical correctness is portrayed by a temporal logic formula. On the basis
of it, this MT logical correctness problem is reduced to the model checking
problem. As a result, the Magic Trick Model Checking (MTMC) technique aims to
verify whether a designed MT meets its architect's anticipation and
requirements, or not, in terms of logic and computations.
- Abstract（参考訳）: 様々な種類のカードマジック(cm)のようないくつかのマジック(mt)は、人間の計算や論理的なアクションからなる。
mtsの論理的正当性を保証するには?
本稿では,典型的なcmをケーススタディを通して検討するために,モデルチェック(mc)手法を用いる。
第一に、Shousuigongcishiと呼ばれるCMの計算操作はMagic Algorithm (MAR)によって記述できる。
第二に、論理的正当性は時間論理式で表される。
これに基づいて、このMT論理的正当性問題をモデル検査問題に還元する。
その結果、Magic Trick Model Checking (MTMC)技術は、設計されたMTがそのアーキテクトの期待と要求を満たすかどうか、論理と計算の観点から検証することを目的としている。
関連論文リスト
- Measurement Induced Magic Resources [6.624864658100935]
この研究は、MQCとマジックのリソース理論のギャップを埋め、"投資"と"ポテンシャル"の魔法のリソースの概念を導入する。
我々はこれらの概念を利用して量子フーリエ変換(QFT)の魔法のリソース要件を分析し、異なるリソース状態のMQCの普遍性について新たな視点を提供する。
論文 参考訳（メタデータ） (2024-08-04T09:57:33Z) - MindStar: Enhancing Math Reasoning in Pre-trained LLMs at Inference Time [51.5039731721706]
MindStarは、大言語モデルの純粋に推論に基づく探索手法である。
推論タスクを探索問題として定式化し、最適な推論経路を特定するための2つの探索アイデアを提案する。
Llama-2-13BやMistral-7Bのようなオープンソースモデルの推論能力を大幅に向上させ、GPT-3.5やGrok-1に匹敵する性能を実現している。
論文 参考訳（メタデータ） (2024-05-25T15:07:33Z) - Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。
任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。
広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
論文 参考訳（メタデータ） (2024-05-02T18:12:08Z) - Assessing Logical Reasoning Capabilities of Encoder-Only Transformer Models [0.13194391758295113]
本稿では,エンコーダのみのトランスフォーマー言語モデル (LM) が論理規則に従ってどの程度理にかなっているかを検討する。
様々なデータセットの論理的妥当性を決定するために,エンコーダのみのLMを適度に訓練できることを示す。
これらのデータセット上で微調整されたモデルをクロスプロブすることで、LMはそれらの仮定的論理的推論能力の伝達が困難であることを示す。
論文 参考訳（メタデータ） (2023-12-18T21:42:34Z) - Phase transition in magic with random quantum circuits [1.3551232282678036]
我々は、コヒーレントエラーを受けるランダムな安定化符号が魔法の相転移を示すことを観察する。
魔法の資源理論におけるそのようなリッチな振る舞いをより深く理解すれば、量子スピードアップの起源に光を当てることができる。
論文 参考訳（メタデータ） (2023-04-20T17:29:45Z) - Linear Temporal Logic Modulo Theories over Finite Traces (Extended
Version) [72.38188258853155]
有限トレース(LTLf)上の線形時間論理について検討する。
命題の文字は任意の理論で解釈された一階述語式に置き換えられる。
Satisfiability Modulo Theories (LTLfMT) と呼ばれる結果の論理は半決定可能である。
論文 参考訳（メタデータ） (2022-04-28T17:57:33Z) - Knowledge Removal in Sampling-based Bayesian Inference [86.14397783398711]
単一のデータ削除要求が来ると、企業は大量のリソースで学んだモデル全体を削除する必要があるかもしれない。
既存の研究は、明示的にパラメータ化されたモデルのためにデータから学んだ知識を取り除く方法を提案する。
本稿では,MCMCのための機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-24T10:03:01Z) - Rule-based Shielding for Partially Observable Monte-Carlo Planning [78.05638156687343]
一部観測可能なモンテカルロ計画(POMCP)への2つの貢献を提案する。
1つ目は、POMCPが選択した予期しない行動を、タスクのエキスパートの事前知識に関して識別する方法です。
2つ目は、POMCPが予期せぬ動作を選択するのを防ぐ遮蔽アプローチである。
我々は,pomdpsの標準ベンチマークであるtigerに対するアプローチと,移動ロボットナビゲーションにおける速度規制に関する実世界問題を評価する。
論文 参考訳（メタデータ） (2021-04-28T14:23:38Z) - Involutive MCMC: a Unifying Framework [64.46316409766764]
iMCMCでは,幅広いMCMCアルゴリズムについて述べる。
我々は、新しいMCMCアルゴリズムを開発するための設計原則として使用できる多くのトリックを定式化する。
後者は、既知の可逆MCMCアルゴリズムをより効率的な可逆アルゴリズムに変換する2つの例で示す。
論文 参考訳（メタデータ） (2020-06-30T10:21:42Z) - Formal Methods with a Touch of Magic [9.561645914887007]
両分野の技法を組み合わせることで,コントローラ設計の問題に対処する。
深層強化学習(Deep RL)におけるブラックボックスニューラルネットワークの利用は、このような組み合わせの課題を招いている。
我々は、深いRLや形式的手法で実現不可能な問題に単独で対処することができる。
論文 参考訳（メタデータ） (2020-05-25T15:45:03Z)
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。