論文の概要: Explainable Distributed Constraint Optimization Problems
- arxiv url: http://arxiv.org/abs/2502.14102v1
- Date: Wed, 19 Feb 2025 21:06:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:27:43.609438
- Title: Explainable Distributed Constraint Optimization Problems
- Title（参考訳）: 説明可能な分散制約最適化問題
- Authors: Ben Rachmut, Stylianos Loukas Vasileiou, Nimrod Meir Weinstein, Roie Zivan, William Yeoh,
- Abstract要約: 本稿では,DCOP を拡張した Explainable DCOP モデルを提案する。
提案手法は大きな問題に拡張可能であることを示し,各変種は,より小さなランタイムに対して,説明長をトレードオフするさまざまな選択肢を提供する。
- 参考スコア（独自算出の注目度）: 5.172964916120901
- License:
- Abstract: The Distributed Constraint Optimization Problem (DCOP) formulation is a powerful tool to model cooperative multi-agent problems that need to be solved distributively. A core assumption of existing approaches is that DCOP solutions can be easily understood, accepted, and adopted, which may not hold, as evidenced by the large body of literature on Explainable AI. In this paper, we propose the Explainable DCOP (X-DCOP) model, which extends a DCOP to include its solution and a contrastive query for that solution. We formally define some key properties that contrastive explanations must satisfy for them to be considered as valid solutions to X-DCOPs as well as theoretical results on the existence of such valid explanations. To solve X-DCOPs, we propose a distributed framework as well as several optimizations and suboptimal variants to find valid explanations. We also include a human user study that showed that users, not surprisingly, prefer shorter explanations over longer ones. Our empirical evaluations showed that our approach can scale to large problems, and the different variants provide different options for trading off explanation lengths for smaller runtimes. Thus, our model and algorithmic contributions extend the state of the art by reducing the barrier for users to understand DCOP solutions, facilitating their adoption in more real-world applications.
- Abstract（参考訳）: 分散制約最適化問題(DCOP)の定式化は、分散的に解決する必要がある協調型マルチエージェント問題をモデル化するための強力なツールである。
既存のアプローチの中核的な前提は、説明可能なAIに関する多くの文献によって証明されているように、DCOPソリューションは容易に理解され、受け入れられ、採用され、保持されない可能性があることである。
本稿では、DCOPを拡張して、そのソリューションと、そのソリューションに対するコントラストクエリを含む、説明可能なDCOP(X-DCOP)モデルを提案する。
我々は、X-DCOPに対する有効な解と見なすために、対照的な説明が満たさなければならないいくつかの重要な性質と、そのような有効な説明の存在に関する理論的結果を正式に定義する。
そこで本稿では,X-DCOPを最適化した分散フレームワークを提案する。
また、人間による調査でも、より長い説明よりも短い説明の方が好まれていることがわかりました。
我々の経験的評価は、我々のアプローチが大きな問題にスケールできることを示し、異なる変種は、より小さなランタイムのために説明長をトレードオフする異なる選択肢を提供する。
このように、私たちのモデルとアルゴリズムによるコントリビューションは、ユーザがDCOPソリューションを理解するための障壁を減らし、より現実的なアプリケーションへの採用を促進することによって、最先端のコントリビューションを拡張します。
関連論文リスト
- Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。
本研究ではまず,生成モデルの本質的な特徴について考察する。
本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文 参考訳（メタデータ） (2024-11-01T09:05:47Z) - DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。
拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T07:56:21Z) - Mining Potentially Explanatory Patterns via Partial Solutions [39.58317527488534]
本稿では,高適合性,単純性,原子性のバランスをとるために選択された部分解の集合を組み立てるアルゴリズムを提案する。
標準ベンチマークによる実験の結果,提案アルゴリズムは探索性能に影響を与えることなく,合理的な計算コストで説明可能性を向上させる部分解を見つけることができることがわかった。
論文 参考訳（メタデータ） (2024-04-05T20:12:02Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Efficient Alternating Minimization Solvers for Wyner Multi-View
Unsupervised Learning [0.0]
本稿では,計算効率のよい解法の開発を可能にする2つの新しい定式化法を提案する。
提案した解法は, 計算効率, 理論的収束保証, ビュー数による局所最小値複雑性, 最先端技術と比較して, 例外的な精度を提供する。
論文 参考訳（メタデータ） (2023-03-28T10:17:51Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - A Particle Swarm Inspired Approach for Continuous Distributed Constraint
Optimization Problems [7.512486812178571]
連続DCOPは連続変数で問題を明示的にモデル化することができる。
C-DCOPを解くための最先端のアプローチは、面倒なメモリか計算オーバーヘッドのいずれかを経験する。
そこで我々は,Particle Swarm Optimization(PSO)にインスパイアされた新しいC-DCOPアルゴリズム,すなわちParticle Swarm Optimization Based C-DCOP(PCD)を提案する。
論文 参考訳（メタデータ） (2020-10-20T11:04:47Z) - Learning What to Defer for Maximum Independent Sets [84.00112106334655]
本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。
提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
論文 参考訳（メタデータ） (2020-06-17T02:19:31Z) - C-CoCoA: A Continuous Cooperative Constraint Approximation Algorithm to
Solve Functional DCOPs [4.404507236193031]
本稿では,協調制約近似(CoCoA)アルゴリズムに非線形最適化法を適用した。
提案アルゴリズムは,通信コストの低減と実行時間の短縮を犠牲にして,高品質なソリューションを提供することができる。
論文 参考訳（メタデータ） (2020-02-27T20:44:25Z) - Learning Optimal Temperature Region for Solving Mixed Integer Functional
DCOPs [26.16778095954815]
分散制約最適化問題(DCOP)と機能DCOP(F-DCOP)を組み合わせる。
次に、DPSA(Distributed Parallel Simulated Annealing)という新しいアルゴリズムを提案する。
DPSAは, 現状の非現実的アルゴリズムよりも高い品質の解を, 対応する設定で生成することを示す。
論文 参考訳（メタデータ） (2020-02-27T09:46:40Z)
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。