論文の概要: Deep Neural Network for Constraint Acquisition through Tailored Loss Function

• arxiv url: http://arxiv.org/abs/2403.02042v1
• Date: Mon, 4 Mar 2024 13:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 18:35:40.188930
• Title: Deep Neural Network for Constraint Acquisition through Tailored Loss Function
• Title（参考訳）: 調整損失関数による制約獲得のためのディープニューラルネットワーク
• Authors: Eduardo Vyhmeister, Rocio Paez, Gabriel Gonzalez
• Abstract要約: データから制約を学習することの重要性は、実世界の問題解決における潜在的な応用によって裏付けられている。 この研究は、シンボリック回帰に基づくディープニューラルネットワーク(DNN)に基づく新しいアプローチを導入する。
• 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: The significance of learning constraints from data is underscored by its potential applications in real-world problem-solving. While constraints are popular for modeling and solving, the approaches to learning constraints from data remain relatively scarce. Furthermore, the intricate task of modeling demands expertise and is prone to errors, thus constraint acquisition methods offer a solution by automating this process through learnt constraints from examples or behaviours of solutions and non-solutions. This work introduces a novel approach grounded in Deep Neural Network (DNN) based on Symbolic Regression that, by setting suitable loss functions, constraints can be extracted directly from datasets. Using the present approach, direct formulation of constraints was achieved. Furthermore, given the broad pre-developed architectures and functionalities of DNN, connections and extensions with other frameworks could be foreseen.
• Abstract（参考訳）: データから制約を学習することの重要性は、現実世界の問題解決における潜在的な応用によって強調されている。 制約はモデリングや問題解決に人気があるが、データから制約を学習するアプローチは依然として比較的少ない。 さらに、モデリングの複雑なタスクは専門知識を必要とし、エラーを起こしやすいため、制約取得手法は、ソリューションや非ソリューションの例や振る舞いから学んだ制約を通じて、このプロセスを自動化してソリューションを提供する。 この研究は、シンボル回帰に基づくDeep Neural Network(DNN)に基づく新しいアプローチを導入し、適切な損失関数を設定することにより、データセットから直接制約を抽出できる。 本手法により制約の直接定式化が可能となった。 さらに、DNNの幅広い事前開発アーキテクチャと機能を考えると、他のフレームワークとの接続や拡張は予見できる。

関連論文リスト

• Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
  我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。 制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。 私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
  論文  参考訳（メタデータ） (2023-06-15T08:33:52Z)
• Constrained Empirical Risk Minimization: Theory and Practice [2.4934936799100034]
  本稿では,Deep Neural Networks (DNN) などのパラメータ化された関数集合に対する制約の厳格化を可能にするフレームワークを提案する。 我々は、幾何学的深層学習で使用される同変ネットワークの範囲外にある制約に焦点を当てる。 このフレームワークの主な例として、畳み込みニューラルネットワーク(CNN)のフィルタをウェーブレットに制限し、これらのウェーブレットネットワークを医療領域における輪郭予測のタスクに適用する。
  論文  参考訳（メタデータ） (2023-02-09T16:11:58Z)
• 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)
• Constraint Guided Gradient Descent: Guided Training with Inequality Constraints [0.0]
  訓練手順にドメイン知識を注入することのできる制約ガイド付きグラディエントDescent (CGGD) を提案する。 CGGDはトレーニングデータの不等式制約を満たすモデルに収束する。 これは、CGGDがトレーニングをネットワークの初期化に依存しないようにする2つの独立したデータセットと小さなデータセットに実証的に示される。
  論文  参考訳（メタデータ） (2022-06-13T14:33:33Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• Developing Constrained Neural Units Over Time [81.19349325749037]
  本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。 ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。 提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
  論文  参考訳（メタデータ） (2020-09-01T09:07:25Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Local Propagation in Constraint-based Neural Network [77.37829055999238]
  ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。 本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
  論文  参考訳（メタデータ） (2020-02-18T16:47:38Z)

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。