論文の概要: Overcoming Over-Fitting in Constraint Acquisition via Query-Driven Interactive Refinement

• arxiv url: http://arxiv.org/abs/2509.24489v1
• Date: Mon, 29 Sep 2025 09:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.881113
• Title: Overcoming Over-Fitting in Constraint Acquisition via Query-Driven Interactive Refinement
• Title（参考訳）: クエリ駆動型インタラクティブリファインメントによる制約獲得におけるオーバーフィッティングの克服
• Authors: Vasileios Balafas, Dimos Tsouros, Nikolaos Ploskas, Kostas Stergiou,
• Abstract要約: Constraint Acquisition (CA)は、制約プログラミングにおける手動モデリングを自動化することを目的としている。 受動的CAメソッドは、過度に適合する傾向があり、しばしば、限られたデータでトレーニングされた時に、急激なグローバル制約を含むモデルを学習する。 本稿では,CAにおける過剰適合の課題に対処するために設計されたハイブリッドCAフレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manual modeling in Constraint Programming is a substantial bottleneck, which Constraint Acquisition (CA) aims to automate. However, passive CA methods are prone to over-fitting, often learning models that include spurious global constraints when trained on limited data, while purely active methods can be query-intensive. We introduce a hybrid CA framework specifically designed to address the challenge of over-fitting in CA. Our approach integrates passive learning for initial candidate generation, a query-driven interactive refinement phase that utilizes probabilistic confidence scores (initialized by machine learning priors) to systematically identify over-fitted constraints, and a specialized subset exploration mechanism to recover valid substructures from rejected candidates. A final active learning phase ensures model completeness. Extensive experiments on diverse benchmarks demonstrate that our interactive refinement phase is crucial for achieving high target model coverage and overall model accuracy from limited examples, doing so with manageable query complexity. This framework represents a substantial advancement towards robust and practical constraint acquisition in data-limited scenarios.
• Abstract（参考訳）: 制約プログラミングにおける手動モデリングは、制約獲得(CA)が自動化しようとしている、重大なボトルネックである。 しかし、パッシブCAメソッドは過度に適合する傾向があり、多くの場合、限られたデータでトレーニングされた時に、急激なグローバル制約を含むモデルを学習する。 本稿では,CAにおける過剰適合の課題に対処するために設計されたハイブリッドCAフレームワークを紹介する。 提案手法は、初期候補生成のための受動的学習と、確率的信頼度スコア(機械学習先行による初期化)を利用して、過度に適合した制約を体系的に識別する、クエリ駆動型対話的洗練フェーズと、拒否された候補から有効なサブ構造を復元する専門的なサブセット探索機構を統合する。 最後のアクティブな学習フェーズは、モデルの完全性を保証する。 多様なベンチマークに関する大規模な実験により、我々のインタラクティブリファインメントフェーズは、限られた例から高いターゲットモデルカバレッジと全体的なモデルの精度を達成するために重要であり、管理可能なクエリの複雑さを伴います。 このフレームワークは、データ制限シナリオにおける堅牢で実践的な制約獲得に向けて、大幅に進歩している。

関連論文リスト

• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• Conformal Mixed-Integer Constraint Learning with Feasibility Guarantees [0.3058340744328236]
  Conformal Mixed-Integer Constraint Learningは、最適化問題におけるデータ駆動制約の確率論的実現可能性を保証する。 我々は,C-MICLが目標レートを一貫して達成し,競争目標性能を維持し,既存の手法に比べて計算コストを大幅に削減することを示す。
  論文  参考訳（メタデータ） (2025-06-04T03:26:31Z)
• DiCoFlex: Model-agnostic diverse counterfactuals with flexible control [0.0]
  モデルに依存しない条件付き生成フレームワークであるDiCoFlexを提案する。 DiCoFlexは、妥当性、多様性、近接性、制約の順守という点で、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-29T17:37:47Z)
• A Simple Approach to Constraint-Aware Imitation Learning with Application to Autonomous Racing [3.324196481791132]
  模倣学習(IL)に安全性を組み込むための簡単なアプローチを提案する。 我々は、フルステートとイメージの両方のフィードバックで、自律的なレースタスクに対する我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2025-03-10T18:00:16Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。 この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• Learning to Learn in Interactive Constraint Acquisition [7.741303298648302]
  制約獲得(CA:Constraint Acquisition)では、モデルを自動的に学習することでユーザを支援することが目標である。 アクティブCAでは、クエリを対話的にユーザにポストすることでこれを行う。 本稿では、確率論的分類モデルを用いて対話型CAを誘導し、より有望なクエリを生成することを提案する。
  論文  参考訳（メタデータ） (2023-12-17T19:12:33Z)
• On data-driven chance constraint learning for mixed-integer optimization problems [0.0]
  本稿では,混合整数線形最適化問題に着目したCCL手法を提案する。 CCLは線形化可能な機械学習モデルを使用して、学習変数の条件量子を推定する。 実践者が使用するオープンアクセスソフトウェアが開発されている。
  論文  参考訳（メタデータ） (2022-07-08T11:54:39Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。