Fugu-MT 論文翻訳(概要): Predicting Lemmas in Generalization of IC3

論文の概要: Predicting Lemmas in Generalization of IC3

arxiv url: http://arxiv.org/abs/2411.12749v1
Date: Mon, 04 Nov 2024 08:11:31 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-24 05:33:19.489419
Title: Predicting Lemmas in Generalization of IC3
Title（参考訳）: IC3の一般化におけるレマトン予測
Authors: Yuheng Su, Qiusong Yang, Yiwei Ci,
Abstract要約: 本稿では,CTP(Conpot Example to propagation)を利用して,変数をドロップする前に最小限の補題を予測できる新しい手法を提案する。総括評価は, レムマ予測における満足な成功率と, 提案手法によって達成された顕著な性能向上を示す。
参考スコア（独自算出の注目度）: 0.294944680995069
License:
Abstract: The IC3 algorithm, also known as PDR, has made a significant impact in the field of safety model checking in recent years due to its high efficiency, scalability, and completeness. The most crucial component of IC3 is inductive generalization, which involves dropping variables one by one and is often the most time-consuming step. In this paper, we propose a novel approach to predict a possible minimal lemma before dropping variables by utilizing the counterexample to propagation (CTP). By leveraging this approach, we can avoid dropping variables if predict successfully. The comprehensive evaluation demonstrates a commendable success rate in lemma prediction and a significant performance improvement achieved by our proposed method.
Abstract（参考訳）: PDRとしても知られるIC3アルゴリズムは、高効率、スケーラビリティ、完全性のため、近年の安全モデル検査の分野に大きな影響を与えている。 IC3の最も重要なコンポーネントは帰納的一般化(inductive generalization)である。本稿では,分散(CTP)に対する反例を利用して,変数をドロップする前に最小限の補題を予測できる新しい手法を提案する。このアプローチを活用することで、うまく予測できれば変数のドロップを回避できる。総括評価は, レムマ予測における満足な成功率と, 提案手法により達成された顕著な性能向上を示す。

関連論文リスト

Targeted Learning for Variable Importance [23.428985354228672]
変数の重要性は、機械学習を解釈するための最も広く使われている手段の1つです。本稿では,変数重要度に対する推論の堅牢性を高めるために,ターゲット学習(TL)フレームワークを用いた新しい手法を提案する。 i) 従来の手法の効率を保ち, (ii) 計算量に匹敵する複雑性を維持し, (iii) 精度を向上し, 特に有限サンプル文脈において有効であることを示す。
論文参考訳（メタデータ） (2024-11-04T16:14:45Z)
Domain Generalization without Excess Empirical Risk [83.26052467843725]
一般的なアプローチは、一般化を捉え、ペナルティと共同で経験的リスクを最小化するために、データ駆動の代理ペナルティを設計することである。我々は、このレシピの重大な失敗モードは、共同最適化における誤ったペナルティや難しさによる過度なリスクであると主張している。我々は,この問題を解消するアプローチを提案し,経験的リスクと刑罰を同時に最小化する代わりに,経験的リスクの最適性の制約の下でのペナルティを最小化する。
論文参考訳（メタデータ） (2023-08-30T08:46:46Z)
Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文参考訳（メタデータ） (2023-04-13T17:56:08Z)
Penalized Proximal Policy Optimization for Safe Reinforcement Learning [68.86485583981866]
本稿では、等価な制約のない問題の単一最小化により、煩雑な制約付きポリシー反復を解決するP3Oを提案する。 P3Oは、コスト制約を排除し、クリップされたサロゲート目的による信頼領域制約を除去するために、単純なyet効果のペナルティ関数を利用する。 P3Oは,一連の制約された機関車作業において,報酬改善と制約満足度の両方に関して,最先端のアルゴリズムより優れていることを示す。
論文参考訳（メタデータ） (2022-05-24T06:15:51Z)
Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文参考訳（メタデータ） (2021-11-11T23:31:34Z)
Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文参考訳（メタデータ） (2021-10-24T07:58:13Z)
Partial Maximum Correntropy Regression for Robust Trajectory Decoding from Noisy Epidural Electrocorticographic Signals [22.202519467049136]
Partial Least Square Regression (PLSR)アルゴリズムは、脳-コンピュータインタフェースにおける相関脳記録から連続変数を予測する特別な能力を示す。本研究の目的は、PLSRの頑健なバージョンであるPartial Maximum Correntropy Regression (PMCR)を提案することである。従来のPLSRと最先端の変種と比較して、PMCRは、汚染されたトレーニングセットを持つ3つの異なるパフォーマンス指標に対して優れた予測能力を実現した。
論文参考訳（メタデータ） (2021-06-23T05:22:46Z)
Supervised PCA: A Multiobjective Approach [70.99924195791532]
制御主成分分析法(SPCA) 本研究では,これらの目的を両立させる新しいSPCA手法を提案する。この手法は、任意の教師付き学習損失に対応し、統計的再構成により、一般化された線形モデルの新しい低ランク拡張を提供する。
論文参考訳（メタデータ） (2020-11-10T18:46:58Z)
High-dimensional macroeconomic forecasting using message passing algorithms [0.0]
この仕様における推論は、係数の高次元ベクトルを縮小するベイジアン階層的先行法を用いて進行する。一般化近似メッセージパッシング(GAMP)アルゴリズムはアルゴリズムの複雑さが低く、簡単に並列化可能である。
論文参考訳（メタデータ） (2020-04-23T23:10:04Z)

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。