論文の概要: DaSAThco: Data-Aware SAT Heuristics Combinations Optimization via Large Language Models

• arxiv url: http://arxiv.org/abs/2509.12602v1
• Date: Tue, 16 Sep 2025 02:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.850399
• Title: DaSAThco: Data-Aware SAT Heuristics Combinations Optimization via Large Language Models
• Title（参考訳）: DaSAThco: 大規模言語モデルによるデータ対応SATヒューリスティックスの組み合わせ最適化
• Authors: Minyu Chen, Guoqiang Li,
• Abstract要約: DaSAThcoは、インスタンス機能からカスタマイズされたアンサンブルへの一般化可能なマッピングを学習するフレームワークである。 我々のフレームワークは、体系的に定義された問題アーチタイプによってガイドされる大規模言語モデルを使用して、多様な特殊なアンサンブルのポートフォリオを生成し、その後、最終的なマッピングを形成するための適応的な選択メカニズムを学習する。
• 参考スコア（独自算出の注目度）: 2.9789407216680286
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The performance of Conflict-Driven Clause Learning solvers hinges on internal heuristics, yet the heterogeneity of SAT problems makes a single, universally optimal configuration unattainable. While prior automated methods can find specialized configurations for specific problem families, this dataset-specific approach lacks generalizability and requires costly re-optimization for new problem types. We introduce DaSAThco, a framework that addresses this challenge by learning a generalizable mapping from instance features to tailored heuristic ensembles, enabling a train-once, adapt-broadly model. Our framework uses a Large Language Model, guided by systematically defined Problem Archetypes, to generate a diverse portfolio of specialized heuristic ensembles and subsequently learns an adaptive selection mechanism to form the final mapping. Experiments show that DaSAThco achieves superior performance and, most notably, demonstrates robust out-of-domain generalization where non-adaptive methods show limitations. Our work establishes a more scalable and practical path toward automated algorithm design for complex, configurable systems.
• Abstract（参考訳）: 競合駆動クロース学習法の性能は内部ヒューリスティックに頼っているが、SAT問題の不均一性は単一で普遍的に最適な構成を達成不可能にする。 以前の自動化されたメソッドは特定の問題ファミリの特別な設定を見つけることができるが、このデータセット固有のアプローチは一般化性に欠け、新しい問題タイプに対してコストがかかる。 DaSAThcoは、インスタンス機能からカスタマイズされたヒューリスティックアンサンブルへの一般化可能なマッピングを学習することで、この問題に対処するフレームワークである。 我々のフレームワークは、体系的に定義された問題アーチタイプによってガイドされる大規模言語モデルを用いて、多様なヒューリスティックアンサンブルのポートフォリオを生成し、最終的なマッピングを形成するための適応的な選択メカニズムを学習する。 実験により、DaSAThcoは優れた性能を示し、特に非適応的手法が制限を示すようなドメイン外の堅牢な一般化を示す。 私たちの研究は、複雑で構成可能なシステムのための自動アルゴリズム設計への、よりスケーラブルで実践的な道を確立します。

関連論文リスト

• Towards Universal Neural Inference [12.704979719123637]
  ASPIREは、構造化データに対する意味論的推論と予測のためのユニバーサルニューラルネットワークモデルである。 任意の特徴値ペアのセットを取り込み、不整合テーブル間でセマンティクスを調整し、特定のターゲットに対して予測を行う。 ASPIREは、オープンワールド環境で、コスト対応のアクティブな機能獲得を自然にサポートします。
  論文  参考訳（メタデータ） (2025-08-12T17:26:48Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Dealing with Structure Constraints in Evolutionary Pareto Set Learning [11.242036067940289]
  多くの実世界のアプリケーションでは、最適解集合全体の構造的制約を持つことが望ましい。 構造制約を1つのパレート集合モデルによって設定された解全体へ組み込む最初の試みを行う。 提案手法により, 意思決定者は最適性を全ての解の中から好意的な構造と柔軟に交換することができる。
  論文  参考訳（メタデータ） (2023-10-31T12:53:56Z)
• 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)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Fast Feature Selection with Fairness Constraints [49.142308856826396]
  モデル構築における最適特徴の選択に関する基礎的問題について検討する。 この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。 適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。 提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
  論文  参考訳（メタデータ） (2022-02-28T12:26:47Z)
• Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis [63.53283025435107]
  CNFベースのSATとMaxSATは論理合成と検証システムの中心である。 そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T04:47:35Z)
• Joint Continuous and Discrete Model Selection via Submodularity [1.332560004325655]
  機械学習のモデル選択問題では、意味のある構造を持つ優れたモデルに対する欲求は、典型的には正規化された最適化問題によって表される。 しかし、多くのシナリオでは、数値的に意味のある構造が離散空間において特定され、難しい非最適化問題を引き起こす。 我々は、ロバスト最適化によって動機づけられた特定の問題クラスに対して、単純な連続的あるいは離散的な制約をいかに扱うかを示す。
  論文  参考訳（メタデータ） (2021-02-17T21:14:47Z)

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。