論文の概要: Generalizing Constraint Models in Constraint Acquisition
- arxiv url: http://arxiv.org/abs/2412.14950v1
- Date: Thu, 19 Dec 2024 15:31:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:31:47.798994
- Title: Generalizing Constraint Models in Constraint Acquisition
- Title(参考訳): 制約獲得における制約モデルの一般化
- Authors: Dimos Tsouros, Senne Berden, Steven Prestwich, Tias Guns,
- Abstract要約: 制約獲得(CA:Constraint Acquisition)は、モデリングプロセスにおいてユーザを支援することによって制約プログラミングの利用を拡大することを目的としている。
多くのCAメソッドは、特定の問題インスタンスに対して1組の個々の制約を学習するが、これらの制約を問題のパラメータ化された制約仕様に一般化することはできない。
我々は、同じ問題の様々なインスタンスをモデル化できるパラメータ化制約モデルを学ぶための新しい手法GenConを提案する。
- 参考スコア(独自算出の注目度): 6.305123652677644
- License:
- Abstract: Constraint Acquisition (CA) aims to widen the use of constraint programming by assisting users in the modeling process. However, most CA methods suffer from a significant drawback: they learn a single set of individual constraints for a specific problem instance, but cannot generalize these constraints to the parameterized constraint specifications of the problem. In this paper, we address this limitation by proposing GenCon, a novel approach to learn parameterized constraint models capable of modeling varying instances of the same problem. To achieve this generalization, we make use of statistical learning techniques at the level of individual constraints. Specifically, we propose to train a classifier to predict, for any possible constraint and parameterization, whether the constraint belongs to the problem. We then show how, for some classes of classifiers, we can extract decision rules to construct interpretable constraint specifications. This enables the generation of ground constraints for any parameter instantiation. Additionally, we present a generate-and-test approach that can be used with any classifier, to generate the ground constraints on the fly. Our empirical results demonstrate that our approach achieves high accuracy and is robust to noise in the input instances.
- Abstract(参考訳): 制約獲得(CA:Constraint Acquisition)は、モデリングプロセスにおいてユーザを支援することによって制約プログラミングの利用を拡大することを目的としている。
しかし、ほとんどのCAメソッドは、特定の問題インスタンスに対して一組の個々の制約を学習するが、これらの制約を問題のパラメータ化された制約仕様に一般化することはできない。
本稿では、同じ問題の様々なインスタンスをモデル化できるパラメータ化制約モデルを学ぶための新しい手法であるGenConを提案する。
この一般化を実現するために,個々の制約レベルにおける統計的学習技術を利用する。
具体的には,制約が問題に属するか否かに関わらず,任意の制約やパラメータ化を予測できるように分類器を訓練することを提案する。
次に、ある分類器のクラスに対して、解釈可能な制約仕様を構築するための決定ルールを抽出する方法を示す。
これにより、任意のパラメータのインスタンス化に対する基底制約の生成が可能になる。
さらに,任意の分類器で使用可能な生成とテストの手法を提案する。
実験により,本手法は精度が高く,入力インスタンスのノイズに強いことを示す。
関連論文リスト
- You-Only-Randomize-Once: Shaping Statistical Properties in Constraint-based PCG [3.581471126368696]
制約解法のための決定変数順序付け法であるYou-Only-Randomize-Once (YORO) プレロールを導入する。
本手法は,市販のSATソルバが生成するタイルグリッド出力の統計を効果的に制御することを示す。
論文 参考訳(メタデータ) (2024-09-01T20:43:55Z) - Online Constraint Tightening in Stochastic Model Predictive Control: A
Regression Approach [49.056933332667114]
確率制約付き最適制御問題に対する解析解は存在しない。
制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。
提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
論文 参考訳(メタデータ) (2023-10-04T16:22:02Z) - Using Integer Constraint Solving in Reuse Based Requirements Engineering [0.0]
製品ライン(PL)は、再利用ベースの構成に対する効果的なアプローチを証明した。
現在、製品は制約満足度問題と見なせることが広く認識されている。
制約プログラミングをPLの制約を指定するための第一選択候補として考えるのは当然である。
本稿では,PL制約の指定に整数制約プログラミングを用いることについて,さらに検討する。
論文 参考訳(メタデータ) (2023-09-28T09:20:07Z) - Toward Unified Controllable Text Generation via Regular Expression
Instruction [56.68753672187368]
本稿では,正規表現の利点をフル活用し,多様な制約を一様にモデル化する命令ベース機構を用いた正規表現指導(REI)を提案する。
提案手法では,中規模言語モデルの微調整や,大規模言語モデルでの少数ショット・インコンテクスト学習のみを要し,各種制約の組み合わせに適用した場合のさらなる調整は不要である。
論文 参考訳(メタデータ) (2023-09-19T09:05:14Z) - Compositional Diffusion-Based Continuous Constraint Solvers [98.1702285470628]
本稿では,ロボット推論と計画における連続的制約満足度問題(CCSP)の解法について紹介する。
対照的に、構成拡散連続制約解法(Diffusion-CCSP)は、CCSPに対する大域的な解を導出する。
論文 参考訳(メタデータ) (2023-09-02T15:20:36Z) - On Regularization and Inference with Label Constraints [62.60903248392479]
機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。
正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。
制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
論文 参考訳(メタデータ) (2023-07-08T03:39:22Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳(メタデータ) (2022-11-16T18:59:54Z) - Constrained Machine Learning: The Bagel Framework [5.945320097465419]
制約付き機械学習問題は、学習したモデルが正確で、制約を尊重しなければならない問題である。
本研究の目的は,制約付き機械学習問題のモデリング能力を最適化から組み込むことで拡張することである。
機械学習には特定の要件があるため、仮説の空間を分割する拡張テーブル制約も提案する。
論文 参考訳(メタデータ) (2021-12-02T10:10:20Z) - SaDe: Learning Models that Provably Satisfy Domain Constraints [16.46852109556965]
我々は、さまざまな制約を処理できる機械学習アプローチを提案し、これらの制約が目に見えないデータでもモデルによって満たされることを保証する。
機械学習を最大満足度問題とみなし,制約満足度と勾配降下度を組み合わせた新しいアルゴリズムSaDeを用いて解いた。
論文 参考訳(メタデータ) (2021-12-01T15:18:03Z) - 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) - Teaching the Old Dog New Tricks: Supervised Learning with Constraints [18.88930622054883]
機械学習に制約サポートを追加することは、データ駆動型AIシステムにおいて際立った問題に対処する可能性がある。
既存のアプローチでは、MLトレーニングに制約付き最適化手法を適用し、モデル設計を調整することによって制約満足度を強制するか、あるいは出力を修正するために制約を使用するのが一般的である。
そこで本研究では,教師付きML手法に対する制約満足度を,最先端制約解決器の直接利用により,それぞれ異なる,補完的な制約満足度に基づく戦略について検討する。
論文 参考訳(メタデータ) (2020-02-25T09:47:39Z)
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。