論文の概要: Diminution: On Reducing the Size of Grounding ASP Programs

• arxiv url: http://arxiv.org/abs/2508.08633v1
• Date: Tue, 12 Aug 2025 04:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.301875
• Title: Diminution: On Reducing the Size of Grounding ASP Programs
• Title（参考訳）: Deminution: ASPプログラムのサイズ削減について
• Authors: HuanYu Yang, Fengming Zhu, YangFan Wu, Jianmin Ji,
• Abstract要約: 本稿では,Herbrand宇宙の選択部分集合として定義される最小化の概念を紹介する。 5つのベンチマークに関する広範な実験では、我々の戦略によって選択された最小限の値を適用すると、大幅な性能改善が得られます。
• 参考スコア（独自算出の注目度）: 2.405297832214952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answer Set Programming (ASP) is often hindered by the grounding bottleneck: large Herbrand universes generate ground programs so large that solving becomes difficult. Many methods employ ad-hoc heuristics to improve grounding performance, motivating the need for a more formal and generalizable strategy. We introduce the notion of diminution, defined as a selected subset of the Herbrand universe used to generate a reduced ground program before solving. We give a formal definition of diminution, analyze its key properties, and study the complexity of identifying it. We use a specific encoding that enables off-the-shelf ASP solver to evaluate candidate subsets. Our approach integrates seamlessly with existing grounders via domain predicates. In extensive experiments on five benchmarks, applying diminutions selected by our strategy yields significant performance improvements, reducing grounding time by up to 70% on average and decreasing the size of grounding files by up to 85%. These results demonstrate that leveraging diminutions constitutes a robust and general-purpose approach for alleviating the grounding bottleneck in ASP.
• Abstract（参考訳）: 大規模なHerbrand宇宙は、解決が困難になるほど大きな基底プログラムを生成する。 多くの手法は接地性能を改善するためにアドホックなヒューリスティックを用いており、より形式的で一般化可能な戦略の必要性を動機付けている。 本稿では,Herbrand宇宙の選択部分集合として定義される最小化の概念を紹介する。 我々は、縮小の形式的な定義を与え、その重要な特性を分析し、それを特定する複雑さについて研究する。 我々は、オフザシェルフASPソルバが候補サブセットを評価することができる特定のエンコーディングを使用する。 我々のアプローチは、ドメイン述語を介して既存のグライダーとシームレスに統合されます。 5つのベンチマークで行った大規模な実験では、我々の戦略によって選択された最小化を適用すると、性能が大幅に向上し、接地時間を平均で70%削減し、接地ファイルのサイズを最大85%削減する。 これらの結果は、ASP.NETの基盤となるボトルネックを軽減するために、最小化を活用することが堅牢で汎用的なアプローチであることを示している。

関連論文リスト

• LOP: Learning Optimal Pruning for Efficient On-Demand MLLMs Scaling [52.1366057696919]
  LOPは、ターゲットプルーニング制約から最適なプルーニング戦略を学ぶ、効率的なニューラルプルーニングフレームワークである。 LOPアプローチでは、自動回帰ニューラルネットワーク(NN)を使用して、ターゲットプルーニング制約に適応したレイヤワイズプルーニング戦略を直接予測する。 実験の結果,LOPは最大3桁のスピードアップを達成しつつ,様々な測定値において最先端のプルーニング手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-15T12:14:16Z)
• A Reduction-Driven Local Search for the Generalized Independent Set Problem [29.094247069747073]
  本稿では,これらのリダクションルールを前処理,初期解生成,局所探索コンポーネントに組み込むリダクション駆動ローカルサーチ(RLS)アルゴリズムを提案する。 RLSは、異なるアプリケーションシナリオから生じる278のグラフで実証的に評価される。 他の既知の解法に比べてはるかに優れた解を実現し、2億6000万を超えるグラフに対する解を効果的に提供する。
  論文  参考訳（メタデータ） (2025-05-27T11:39:05Z)
• ReGUIDE: Data Efficient GUI Grounding via Spatial Reasoning and Search [53.40810298627443]
  ReGUIDEは、MLLMが自己生成的推論と空間認識的批判を通じてデータを効率的に学習することを可能にするWebグラウンドのためのフレームワークである。 実験により、ReGUIDEは複数のベンチマークでWebグラウンド性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-05-21T08:36:18Z)
• DRPruning: Efficient Large Language Model Pruning through Distributionally Robust Optimization [59.96455188197593]
  大きな言語モデル(LLM)は素晴らしい結果をもたらすが、モデルのサイズと計算コストの増加による課題に直面している。 DRPruningは、トレーニング中にデータ分散を動的に調整し、不均一なマルチタスクデータ間でのバランス性能を回復する手法である。 単言語および多言語設定の実験では、DRPランニングはプルーニングと継続トレーニングの両方において同様の大きさのモデルを上回ることが示されている。
  論文  参考訳（メタデータ） (2024-11-21T12:02:39Z)
• Multi-Resolution Planar Region Extraction for Uneven Terrains [6.482137641059034]
  本稿では,不整点雲観測から不均質な地形の平面領域を抽出する問題について検討する。 境界の精度と計算効率のバランスをとる多分解能平面領域抽出戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-21T12:17:51Z)
• Submodular Reinforcement Learning [38.40138241424851]
  強化学習(RL)では、状態の報酬は通常加法的と見なされ、マルコフの仮定に従って、それらは以前に訪れた状態に対して$textitindependent$である。 カバー範囲制御、実験設計、情報経路計画といった多くの重要な応用において、報酬は自然にリターンを減少させ、すなわち、それらの価値は以前に訪れた同様の状態から減少する。 減少するリターンをキャプチャするサブモジュール集合関数をモデルとした,より汎用的で非付加的(かつ履歴に依存しない)報酬を最適化するパラダイムである$textitsubmodular RL$ (SubRL)を提案する。
  論文  参考訳（メタデータ） (2023-07-25T09:46:02Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)

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。