論文の概要: ASP-based Multi-shot Reasoning via DLV2 with Incremental Grounding
- arxiv url: http://arxiv.org/abs/2412.17143v1
- Date: Sun, 22 Dec 2024 19:46:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:59:10.081085
- Title: ASP-based Multi-shot Reasoning via DLV2 with Incremental Grounding
- Title（参考訳）: インクリメンタルグラウンドディングを用いた DLV2 によるASP ベースのマルチショット推論
- Authors: Francesco Calimeri, Giovambattista Ianni, Francesco Pacenza, Simona Perri, Jessica Zanfari,
- Abstract要約: DLV2は知識表現と推論のためのAIツールである。
DLV2の反復的推論への進化から得られた新しい漸進的推論器を提案する。
- 参考スコア（独自算出の注目度）: 0.9437165725355702
- License:
- Abstract: DLV2 is an AI tool for Knowledge Representation and Reasoning which supports Answer Set Programming (ASP) - a logic-based declarative formalism, successfully used in both academic and industrial applications. Given a logic program modelling a computational problem, an execution of DLV2 produces the so-called answer sets that correspond one-to-one to the solutions to the problem at hand. The computational process of DLV2 relies on the typical Ground & Solve approach where the grounding step transforms the input program into a new, equivalent ground program, and the subsequent solving step applies propositional algorithms to search for the answer sets. Recently, emerging applications in contexts such as stream reasoning and event processing created a demand for multi-shot reasoning: here, the system is expected to be reactive while repeatedly executed over rapidly changing data. In this work, we present a new incremental reasoner obtained from the evolution of DLV2 towards iterated reasoning. Rather than restarting the computation from scratch, the system remains alive across repeated shots, and it incrementally handles the internal grounding process. At each shot, the system reuses previous computations for building and maintaining a large, more general ground program, from which a smaller yet equivalent portion is determined and used for computing answer sets. Notably, the incremental process is performed in a completely transparent fashion for the user. We describe the system, its usage, its applicability and performance in some practically relevant domains. Under consideration in Theory and Practice of Logic Programming (TPLP).
- Abstract（参考訳）: DLV2は知識表現と推論のためのAIツールで、論理ベースの宣言型フォーマリズムであるAnswer Set Programming(ASP)をサポートしている。
計算問題をモデル化する論理プログラムが与えられた場合、DLV2の実行は、目の前の問題の解に一対一に対応するいわゆる解集合を生成する。
DLV2の計算過程は、グラウンドングステップが入力プログラムを新しい等価グラウンドプログラムに変換する典型的なグラウンド・アンド・ソルブのアプローチに依存し、その後の解法では、解集合を探索するために命題アルゴリズムを適用する。
近年,ストリーム推論やイベント処理といったコンテキストにおける新興アプリケーションが,マルチショット推論の需要を生み出している。
本研究では,DLV2の反復的推論への進化から得られた新たな漸進的推論器を提案する。
スクラッチから計算を再開する代わりに、システムは繰り返しショットで生存し、内部のグラウンド処理を段階的に処理する。
各ショットにおいて、システムは、より大きな、より一般的な地上プログラムの構築と維持のために、以前の計算を再利用し、そこから小さいが等価な部分が決定され、解集合の計算に使用される。
特に、インクリメンタルなプロセスは、ユーザにとって完全に透過的な方法で実行される。
本稿では,本システムの利用状況,適用性,性能について述べる。
論理プログラミングの理論と実践(TPLP)
関連論文リスト
- BATON: Enhancing Batch-wise Inference Efficiency for Large Language Models via Dynamic Re-batching [4.610983384440473]
本稿では,処理バッチを動的に調整し,効率的なバッチ単位のLLM推論手法であるBATONを提案する。
最先端のソリューションであるOrcaと比較して、BATONはクエリ処理を最大1.75倍改善する。
論文 参考訳（メタデータ） (2024-10-24T12:53:39Z) - Learning How Hard to Think: Input-Adaptive Allocation of LM Computation [41.40870191201561]
計算集約的な復号処理は、コード生成、数値推論、ダイアログにまたがる問題において、言語モデル(LM)出力の品質を向上させることができる。
精度の高い計算割当手順を学習でき、応答品質を犠牲にすることなく最大50%の計算を減らしたり、固定された計算予算で最大10%品質を向上できることを示す。
論文 参考訳（メタデータ） (2024-10-07T02:52:30Z) - 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) - Recursive Visual Programming [53.76415744371285]
本稿では、生成ルーチンを単純化し、より効率的な問題解決を提供し、より複雑なデータ構造を管理するRecursive Visual Programming (RVP)を提案する。
本稿では,VSR,COVR,GQA,NextQAなどのベンチマークにおいて,RVPの有効性を示す。
論文 参考訳（メタデータ） (2023-12-04T17:27:24Z) - DOMINO: A Dual-System for Multi-step Visual Language Reasoning [76.69157235928594]
視覚情報抽出のための「System-1」ステップと、意図的な推論のための「System-2」ステップからなる多段階マルチモーダル推論のためのデュアルシステムを提案する。
事前学習した System-2 モジュールを用いた本手法は, 配当データと配当データの先行処理と比較して, 競合的に動作する。
論文 参考訳（メタデータ） (2023-10-04T13:29:47Z) - Exploring Equation as a Better Intermediate Meaning Representation for
Numerical Reasoning [53.2491163874712]
我々は数値推論の問題を解くために方程式をIMRとして利用する。
本稿では、方程式(ブリッジ)の生成を分解したブースティング数値推論法を提案する。
本手法では,GSM8K,SVAMP,Algebraデータセットの2.2%,0.9%,1.7%の性能向上を実現している。
論文 参考訳（メタデータ） (2023-08-21T09:35:33Z) - Online Multi-Task Learning with Recursive Least Squares and Recursive Kernel Methods [50.67996219968513]
本稿では,オンラインマルチタスク学習(MTL)回帰問題に対する2つの新しいアプローチを紹介する。
入力空間の次元の2次パースタンスコストで精度よく近似的な再帰を実現する。
我々は,実世界の風速予測ケーススタディにおいて,オンラインMTL法と他の競技者との比較を行った。
論文 参考訳（メタデータ） (2023-08-03T01:41:34Z) - AI-enhanced iterative solvers for accelerating the solution of large
scale parametrized linear systems of equations [0.0]
本稿では、最新のMLツールを活用し、線形方程式系の反復解法をカスタマイズする。
その結果,従来の反復解法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-07-06T09:47:14Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳（メタデータ） (2021-12-01T22:55:23Z) - Differentiable Logic Machines [38.21461039738474]
微分可能論理マシン(DLM)と呼ばれる新しいニューラル論理アーキテクチャを提案する。
DLMは帰納論理プログラミング(ILP)と強化学習(RL)の両方の問題を解くことができる。
解釈可能な解を必要としないRL問題では、DLMは他の解釈不可能なニューラル論理的RLアプローチよりも優れている。
論文 参考訳（メタデータ） (2021-02-23T07:31:52Z) - Scalable Deep-Learning-Accelerated Topology Optimization for Additively
Manufactured Materials [4.221095652322005]
トポロジー最適化(TO)は、新しい構造、材料、デバイスを設計するための、人気があり強力な計算手法である。
これらの課題に対処するため、SDL-TOと呼ばれる汎用拡張型ディープラーニング(DL)ベースのToフレームワークを提案する。
我々のフレームワークは、反復履歴データを学習し、与えられた設計と勾配のマッピングを同時にトレーニングすることで、TOを加速します。
論文 参考訳（メタデータ） (2020-11-28T17:38:31Z)
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。