論文の概要: CP-Model-Zoo: A Natural Language Query System for Constraint Programming Models

• arxiv url: http://arxiv.org/abs/2509.07867v1
• Date: Tue, 09 Sep 2025 15:55:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.385659
• Title: CP-Model-Zoo: A Natural Language Query System for Constraint Programming Models
• Title（参考訳）: CP-Model-Zoo:制約プログラミングモデルのための自然言語クエリシステム
• Authors: Augustin Crespin, Ioannis Kostis, Hélène Verhaeghe, Pierre Schaus,
• Abstract要約: 制約プログラミングは長い間、問題解決の聖杯を達成できる可能性として認識されてきた。 モデリング言語の複雑さ、多くの国際的制約、そして優れたモデルを作成する技術は、CPを選択する非専門家を妨げていることが多い。 CP-Model-Zooと呼ばれる学習システムを提案する。
• 参考スコア（独自算出の注目度）: 2.771897351607068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constraint Programming and its high-level modeling languages have long been recognized for their potential to achieve the holy grail of problem-solving. However, the complexity of modeling languages, the large number of global constraints, and the art of creating good models have often hindered non-experts from choosing CP to solve their combinatorial problems. While generating an expert-level model from a natural-language description of a problem would be the dream, we are not yet there. We propose a tutoring system called CP-Model-Zoo, exploiting expert-written models accumulated through the years. CP-Model-Zoo retrieves the closest source code model from a database based on a user's natural language description of a combinatorial problem. It ensures that expert-validated models are presented to the user while eliminating the need for human data labeling. Our experiments show excellent accuracy in retrieving the correct model based on a user-input description of a problem simulated with different levels of expertise.
• Abstract（参考訳）: 制約プログラミングとその高レベルモデリング言語は、問題解決の聖杯を達成できる可能性について、長い間認識されてきた。 しかしながら、モデリング言語の複雑さ、多くのグローバル制約、そして良いモデルを作成する技術は、しばしば、組み合わせの問題を解決するためにCPを選択する非専門家を妨げている。 問題に関する自然言語による記述から専門家レベルのモデルを生成するのは夢でしょうが、私たちはまだそこにいません。 CP-Model-Zooと呼ばれる学習システムを提案する。 CP-Model-Zooは、ユーザの自然言語記述に基づいてデータベースから最も近いソースコードモデルを検索する。 専門家が検証したモデルが、人間のデータラベリングの必要性をなくしながら、ユーザに提示されることを保証する。 本実験は,異なるレベルの専門知識でシミュレートされた問題のユーザ・インプット記述に基づいて,正しいモデルを取得する上で,優れた精度を示す。

関連論文リスト

• CP-Bench: Evaluating Large Language Models for Constraint Modelling [6.250460397062786]
  制約プログラミング(CP)は、問題を解くために広く使われているが、その中核となるプロセス、すなわち制約モデリングは、かなりの専門知識を必要とし、広く採用される際のボトルネックと考えられている。 近年,問題記述を実行可能な制約モデルに変換するために,Large Language Models (LLMs) を用いて検討されている。 制約モデリングのための既存の評価データセットは、しばしば、現実のシナリオの多様性を捉えない、小さく、均一で、ドメイン固有のインスタンスに限られる。 この研究はCP-Benchの導入によってこのギャップに対処する。CPコミュニティから得られた様々な既知の問題を含む新しいベンチマークであるCP-Benchは構造化されている。
  論文  参考訳（メタデータ） (2025-06-06T12:56:02Z)
• Automated Statistical Model Discovery with Language Models [34.03743547761152]
  本稿では,言語モデルを用いた自動統計モデル探索手法を提案する。 Boxのループの原則的なフレームワーク内に,自動手順を投入しました。 その結果,LM駆動型モデル発見の可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-27T20:33:22Z)
• Qwen Technical Report [132.54304067403922]
  当社の大規模言語モデルシリーズの最初のインストールであるQwenを紹介します。 Qwenはトレーニング済みの言語モデルの基本であり、Qwen-Chatは人間のアライメント技術で微調整されたチャットモデルである。 また、コーディング特化モデルであるCode-QwenとCode-Qwen-Chatも開発し、数学に焦点を当てたMath-Qwen-Chatも開発しました。
  論文  参考訳（メタデータ） (2023-09-28T17:07:49Z)
• Holy Grail 2.0: From Natural Language to Constraint Models [9.389618538863392]
  E・フリューダーは「制約プログラミングは、コンピュータ科学がまだプログラミングの聖杯に最も近いアプローチの1つである」と強調した。 我々は、NL4OPT(Natural Language Processing for Optimization)の課題からインスピレーションを得て、GPTモデルに対する分解ベースのプロンプトアプローチによる早期結果を示す。
  論文  参考訳（メタデータ） (2023-08-03T07:48:02Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [47.432215933099016]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• Composing Ensembles of Pre-trained Models via Iterative Consensus [95.10641301155232]
  本稿では,異なる事前学習モデルのアンサンブルを構成するための統一的なフレームワークを提案する。 事前学習したモデルを「ジェネレータ」あるいは「スコーラ」として使用し、クローズドループ反復コンセンサス最適化により構成する。 スコアラーのアンサンブルによって達成されたコンセンサスは、シングルスコアラーのフィードバックよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-20T18:46:31Z)
• Language Model Cascades [72.18809575261498]
  テスト時に1つのモデルで繰り返し対話する、あるいは複数のモデルの合成は、さらに機能を拡張する。 制御フローと動的構造を持つ場合、確率的プログラミングのテクニックが必要となる。 この観点から、スクラッチパッド/思考連鎖、検証器、STaR、選択推論、ツール利用など、いくつかの既存のテクニックを定式化します。
  論文  参考訳（メタデータ） (2022-07-21T07:35:18Z)
• Comparison of Interactive Knowledge Base Spelling Correction Models for Low-Resource Languages [81.90356787324481]
  低リソース言語に対する正規化の推進は、パターンの予測が難しいため、難しい作業である。 この研究は、ターゲット言語データに様々な量を持つニューラルモデルとキャラクタ言語モデルの比較を示す。 我々の利用シナリオは、ほぼゼロのトレーニング例によるインタラクティブな修正であり、より多くのデータが収集されるにつれてモデルを改善する。
  論文  参考訳（メタデータ） (2020-10-20T17:31:07Z)
• Limits of Detecting Text Generated by Large-Scale Language Models [65.46403462928319]
  誤情報キャンペーンで使用される可能性があるため、長く一貫性のあるテキストを生成できる大規模な言語モデルが危険であると考える者もいる。 ここでは、仮説テスト問題として大規模言語モデル出力検出を定式化し、テキストを真あるいは生成されたものと分類する。
  論文  参考訳（メタデータ） (2020-02-09T19:53:23Z)

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。