Fugu-MT 論文翻訳(概要): Scalable Knowledge Refactoring using Constrained Optimisation

論文の概要: Scalable Knowledge Refactoring using Constrained Optimisation

arxiv url: http://arxiv.org/abs/2408.11530v1
Date: Wed, 21 Aug 2024 11:12:42 GMT
ステータス: 処理完了
システム内更新日: 2024-08-22 17:17:15.235732
Title: Scalable Knowledge Refactoring using Constrained Optimisation
Title（参考訳）: 制約付き最適化を用いたスケーラブルな知識リファクタリング
Authors: Minghao Liu, David M. Cerna, Filipe Gouveia, Andrew Cropper,
Abstract要約: 提案手法は,従来の最先端手法よりも高速かつ圧縮性が高く,時には60%の高速化が可能であることを示す。複数のドメインに対する実験結果から,従来の最先端手法よりも高速かつ圧縮性の高いプログラムを,場合によっては60%高速化できることが示された。
参考スコア（独自算出の注目度）: 18.706442683121615
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Knowledge refactoring compresses a logic program by introducing new rules. Current approaches struggle to scale to large programs. To overcome this limitation, we introduce a constrained optimisation refactoring approach. Our first key idea is to encode the problem with decision variables based on literals rather than rules. Our second key idea is to focus on linear invented rules. Our empirical results on multiple domains show that our approach can refactor programs quicker and with more compression than the previous state-of-the-art approach, sometimes by 60%.
Abstract（参考訳）: 知識リファクタリングは、新しいルールを導入することでロジックプログラムを圧縮する。現在のアプローチでは,大規模プログラムへのスケールアップに苦労しています。この制限を克服するために、制約付き最適化リファクタリングアプローチを導入する。最初の鍵となるアイデアは、ルールではなくリテラルに基づいて決定変数で問題をエンコードすることです。第2の鍵となる考え方は、線形発明されたルールに焦点を当てることです。複数の領域における実験結果から,従来の最先端手法よりも高速かつ圧縮性の高いプログラムを,場合によっては60%高速化できることが示された。

関連論文リスト

Tractable Offline Learning of Regular Decision Processes [50.11277112628193]
この研究は、正則決定過程(RDP)と呼ばれる非マルコフ環境のクラスにおけるオフライン強化学習(RL)を研究する。インスは、未来の観測と過去の相互作用からの報酬の未知の依存を実験的に捉えることができる。多くのアルゴリズムは、まずこの未知の依存関係を自動学習技術を用いて再構築する。
論文参考訳（メタデータ） (2024-09-04T14:26:58Z)
On Stateful Value Factorization in Multi-Agent Reinforcement Learning [19.342676562701794]
そこで我々はDuelmixを紹介した。Duelmixは、各エージェント毎のユーティリティ推定器を学習し、性能を向上する。 StarCraft IIのマイクロマネジメントとBox Pushingタスクの実験は、私たちの直感の利点を示しています。
論文参考訳（メタデータ） (2024-08-27T19:45:26Z)
Hierarchical Context Merging: Better Long Context Understanding for Pre-trained LLMs [61.40047491337793]
本稿では,大規模言語モデルの制約を克服する新しいトレーニングフリースキームである階層型cOntext MERging(HOMER)を提案する。 HomeRは、長いインプットを管理可能なチャンクに分割する、分別/対数アルゴリズムを使用する。トークン削減技術がマージ毎に先行し、メモリ使用効率が保証される。
論文参考訳（メタデータ） (2024-04-16T06:34:08Z)
Truly No-Regret Learning in Constrained MDPs [61.78619476991494]
未知のCMDPで学習するモデルベース原始双対アルゴリズムを提案する。提案アルゴリズムは,誤差のキャンセルを伴わずにサブ線形後悔を実現する。
論文参考訳（メタデータ） (2024-02-24T09:47:46Z)
Learning logic programs by discovering higher-order abstractions [20.57989636488575]
我々は高次最適化問題を導入する。目標は、高階の抽象化を発見して論理プログラムを圧縮することである。我々はこの問題を制約問題として定式化するStevieにアプローチを実装した。
論文参考訳（メタデータ） (2023-08-16T12:50:10Z)
Learning to Accelerate Approximate Methods for Solving Integer Programming via Early Fixing [29.29673962163146]
いくつかの反復近似法によって解かれた変数は、非常に長い反復で最終的な収束した離散状態の周りに変動する。この観測から着想を得た我々は、これらの変動変数を収束状態に早期に固定することにより、これらの近似手法を加速することを目指している。初期固定プロセス全体をマルコフ決定プロセスとして定式化し、模倣学習を用いて訓練する。
論文参考訳（メタデータ） (2022-07-05T14:46:47Z)
Learning logic programs by combining programs [24.31242130341093]
我々は、小さな非分離型プログラムを学習し、それらを組み合わせるアプローチを導入する。我々は制約駆動型LPシステムにアプローチを実装した。ゲームプレイやプログラム合成など,複数の領域に対する実験により,既存のアプローチを劇的に上回る結果が得られた。
論文参考訳（メタデータ） (2022-06-01T10:07:37Z)
Robust Predictable Control [149.71263296079388]
提案手法は,従来の手法よりもはるかに厳密な圧縮を実現し,標準的な情報ボトルネックよりも最大5倍高い報酬が得られることを示す。また,本手法はより堅牢で,新しいタスクをより一般化したポリシーを学習することを示す。
論文参考訳（メタデータ） (2021-09-07T17:29:34Z)
Data-driven Weight Initialization with Sylvester Solvers [72.11163104763071]
本稿では,ディープニューラルネットワークのパラメータを初期化するためのデータ駆動方式を提案する。提案手法は,特にショットや微調整の設定において有効であることを示す。
論文参考訳（メタデータ） (2021-05-02T07:33:16Z)
Boosting Data Reduction for the Maximum Weight Independent Set Problem Using Increasing Transformations [59.84561168501493]
最大重み独立集合問題に対する新しい一般化データ削減および変換規則を導入する。驚くべきことに、これらのいわゆる増進変換は問題を単純化し、還元空間を開き、アルゴリズムの後にさらに小さな既約グラフが得られる。提案アルゴリズムは, 1つのインスタンスを除くすべての既約グラフを計算し, 従来よりも多くのインスタンスを最適に解き, 最高の最先端解法よりも最大2桁高速に解き, 解法DynWVCやHILSよりも高品質な解を求める。
論文参考訳（メタデータ） (2020-08-12T08:52:50Z)
Knowledge Refactoring for Inductive Program Synthesis [37.54933305877746]
人間は知識をより効率的に利用するために常に知識を再構築する。私たちのゴールは、機械学習システムに似た能力を提供することで、より効率的に学習できるようにすることです。
論文参考訳（メタデータ） (2020-04-21T12:04:38Z)

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。