論文の概要: When GNNs Met a Word Equations Solver: Learning to Rank Equations (Extended Technical Report)

• arxiv url: http://arxiv.org/abs/2506.23784v1
• Date: Mon, 30 Jun 2025 12:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.050855
• Title: When GNNs Met a Word Equations Solver: Learning to Rank Equations (Extended Technical Report)
• Title（参考訳）: GNNが単語方程式を解いたとき:ランク方程式の学習(拡張技術報告)
• Authors: Parosh Aziz Abdulla, Mohamed Faouzi Atig, Julie Cailler, Chencheng Liang, Philipp Rümmer,
• Abstract要約: 解法前後の単語方程式のランク付けのためのグラフニューラルネットワーク(GNN)について検討する。 ランク付け方程式問題に多分類タスクを適用するための3つのアプローチを提案する。 GNNのトレーニングは、単語方程式の最小不満足な部分集合(MUS)の助けを借りて行われる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nielsen transformation is a standard approach for solving word equations: by repeatedly splitting equations and applying simplification steps, equations are rewritten until a solution is reached. When solving a conjunction of word equations in this way, the performance of the solver will depend considerably on the order in which equations are processed. In this work, the use of Graph Neural Networks (GNNs) for ranking word equations before and during the solving process is explored. For this, a novel graph-based representation for word equations is presented, preserving global information across conjuncts, enabling the GNN to have a holistic view during ranking. To handle the variable number of conjuncts, three approaches to adapt a multi-classification task to the problem of ranking equations are proposed. The training of the GNN is done with the help of minimum unsatisfiable subsets (MUSes) of word equations. The experimental results show that, compared to state-of-the-art string solvers, the new framework solves more problems in benchmarks where each variable appears at most once in each equation.
• Abstract（参考訳）: ニールセン変換は、方程式を何度も分割し、単純化ステップを適用することで、解に到達するまで方程式を書き換える、ワード方程式の標準的な方法である。 このように単語方程式の結合を解くとき、解法の性能は方程式が処理される順序に大きく依存する。 本研究では,解法前後の単語方程式のランク付けにグラフニューラルネットワーク(GNN)を用いる方法について検討する。 この目的のために、単語方程式の新たなグラフベースの表現が提示され、連結点全体にわたるグローバル情報を保存することにより、GNNはランク付け中に全体像を持てるようになる。 共役の変数数を扱うために,複数分類タスクをランキング式に適応させる3つの手法を提案する。 GNNの訓練は、単語方程式の最小不満足な部分集合(MUS)の助けを借りて行われる。 実験結果から,各変数が各方程式に最大1回現れるベンチマークにおいて,最先端の文字列ソルバと比較して,より多くの問題を解くことができることがわかった。

関連論文リスト

• Explicit Solution Equation for Every Combinatorial Problem via Tensor Networks: MeLoCoToN [55.2480439325792]
  計算問題はすべて、解を返却する厳密な明示的な方程式を持つことを示す。 本稿では, インバージョン, 制約満足度, 最適化の両面から, 正確に任意の問題を解く方程式を得る方法を提案する。
  論文  参考訳（メタデータ） (2025-02-09T18:16:53Z)
• Guiding Word Equation Solving using Graph Neural Networks (Extended Technical Report) [0.0]
  本稿では,単語方程式を解くためのグラフニューラルネットワーク誘導アルゴリズムを提案する。 このアルゴリズムは方程式の各辺の最初の項を反復的に書き直し、木のような探索空間を生み出す。 人工および実世界のベンチマークで実験を行う。
  論文  参考訳（メタデータ） (2024-11-19T14:15:34Z)
• A Neural Rewriting System to Solve Algorithmic Problems [47.129504708849446]
  ネストされた数学的公式を解くための一般的な手順を学習するために設計されたモジュラーアーキテクチャを提案する。 シンボリック人工知能の古典的なフレームワークである書き換えシステムに触発され、アーキテクチャには3つの専門的で対話的なモジュールが含まれます。 我々は、系統的な一般化に特化した最近のモデルであるNeural Data Routerと、先進的なプロンプト戦略で探索された最先端の大規模言語モデル(GPT-4)とを比較した。
  論文  参考訳（メタデータ） (2024-02-27T10:57:07Z)
• ComSearch: Equation Searching with Combinatorial Strategy for Solving Math Word Problems with Weak Supervision [21.249411371568236]
  本稿では,数学的に等価な方程式を除外して探索空間を圧縮できる戦略式 textbfComSearch を用いた新しい探索アルゴリズムを提案する。 本稿では,誤記数論理を持つ擬似ラベルのノイズについて検討し,擬似ラベルを識別するランキングモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-13T13:25:22Z)
• Seeking Diverse Reasoning Logic: Controlled Equation Expression Generation for Solving Math Word Problems [21.62131402402428]
  本稿では,一組の制御符号を利用してモデルを導出する制御方程式生成解法を提案する。 本手法は, シングル未知 (Math23K) とマルチ未知 (DRAW1K, HMWP) ベンチマークの性能を普遍的に向上させる。
  論文  参考訳（メタデータ） (2022-09-21T12:43:30Z)
• Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
  科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。 ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
  論文  参考訳（メタデータ） (2022-06-01T18:48:01Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Solving Arithmetic Word Problems by Scoring Equations with Recursive Neural Networks [25.08023032443234]
  最近の研究は、算術語問題に対する答えを提供する候補解方程式の自動抽出とランキングを用いている。 そこで本研究では,Tree-RNN 構成を用いて,そのような候補解方程式を評価する新しい手法について検討する。 提案手法は,方程式の数学的表現を表現木に変換することで構成する。
  論文  参考訳（メタデータ） (2020-09-11T19:48:42Z)
• 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)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Symbolic Regression using Mixed-Integer Nonlinear Optimization [9.638685454900047]
  シンボリック回帰(SR)問題は、機械学習において難しい問題である。 混合整数非線形最適化と明示列挙法を組み合わせたハイブリッドアルゴリズムを提案する。 我々のアルゴリズムは、いくつかの合成データセットに対して、最先端のSRソフトウェアと最近の物理学に触発されたAI Feynmanという手法で競合していることを示す。
  論文  参考訳（メタデータ） (2020-06-11T20:53:17Z)

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。