論文の概要: Constraint Satisfaction Approaches to Wordle: Novel Heuristics and Cross-Lexicon Validation

• arxiv url: http://arxiv.org/abs/2510.02855v1
• Date: Fri, 03 Oct 2025 09:44:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.340871
• Title: Constraint Satisfaction Approaches to Wordle: Novel Heuristics and Cross-Lexicon Validation
• Title（参考訳）: 単語に対する制約満足度アプローチ:新しいヒューリスティックスとクロスレキシコンバリデーション
• Authors: Jahidul Arafat, Fariha Tasmin, Sanjaya Poudel, Kamrujjaman, Eftakhar Ahmed Arnob, Ahsan Habib Tareq,
• Abstract要約: 本稿では, CSP 対応エントロピー, 制約伝搬後の情報ゲイン, 確率的 CSP フレームワークを紹介する。 2,315語の単語を評価することで、CSP-Aware Entropy 3.54の平均推定は99.9%の成功率である。 500のスペイン語の単語に対するクロスレキシコンの検証は、言語固有のチューニングをゼロにすることで88%の成功を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wordle presents an algorithmically rich testbed for constraint satisfaction problem (CSP) solving. While existing solvers rely on information-theoretic entropy maximization or frequency-based heuristics without formal constraint treatment, we present the first comprehensive CSP formulation of Wordle with novel constraint-aware solving strategies. We introduce CSP-Aware Entropy, computing information gain after constraint propagation rather than on raw candidate sets, and a Probabilistic CSP framework integrating Bayesian word-frequency priors with logical constraints. Through evaluation on 2,315 English words, CSP-Aware Entropy achieves 3.54 average guesses with 99.9% success rate, a statistically significant 1.7% improvement over Forward Checking (t=-4.82, p<0.001, Cohen's d=0.07) with 46% faster runtime (12.9ms versus 23.7ms per guess). Under 10% noise, CSP-aware approaches maintain 5.3 percentage point advantages (29.0% versus 23.7%, p=0.041), while Probabilistic CSP achieves 100% success across all noise levels (0-20%) through constraint recovery mechanisms. Cross-lexicon validation on 500 Spanish words demonstrates 88% success with zero language-specific tuning, validating that core CSP principles transfer across languages despite an 11.2 percentage point gap from linguistic differences (p<0.001, Fisher's exact test). Our open-source implementation with 34 unit tests achieving 91% code coverage provides reproducible infrastructure for CSP research. The combination of formal CSP treatment, constraint-aware heuristics, probabilistic-logical integration, robustness analysis, and cross-lexicon validation establishes new performance benchmarks demonstrating that principled constraint satisfaction techniques outperform classical information-theoretic and learning-based approaches for structured puzzle-solving domains.
• Abstract（参考訳）: Wordleは、制約満足度問題(CSP)解決のためのアルゴリズム的にリッチなテストベッドを提供する。 既存の解法は,形式的制約処理を伴わない情報理論のエントロピー最大化や周波数に基づくヒューリスティックに頼っているが,新しい制約対応解法を用いた Wordle の総合的な CSP 定式化は初めてである。 本稿では,CSP-Aware Entropy,生の候補集合ではなく制約伝達後の計算情報ゲイン,およびベイズ語の単語頻度先行を論理的制約と組み合わせた確率的CSPフレームワークを紹介する。 2,315語の単語の評価を通じて、CSP-Aware Entropyは平均3.54の推測を99.9%の成功率で達成し、統計的に有意な1.7%の改善(t=-4.82, p<0.001, Cohen's d=0.07)と46%の高速化(12.9ms対23.7ms)を達成している。 10%のノイズの下では、CSPのアプローチは5.3パーセントの利点(29.0%対23.7%、p=0.041)を維持し、確率的CSPは制約回復機構を通じて全てのノイズレベル(0-20%)で100%成功している。 500のスペイン語の単語に対する相互辞書による検証は、言語固有のチューニングをゼロにすることで88%の成功を示し、言語の違いから11.2ポイントの差があるにもかかわらず、コアCSPの原則が言語間で伝達されることを検証している(P<0.001、フィッシャーの正確なテスト)。 コードカバレッジ91%を達成する34のユニットテストによるオープンソース実装は、CSP研究の再現可能なインフラストラクチャを提供します。 形式的CSP処理、制約認識ヒューリスティックス、確率論的統合、ロバスト性分析、およびクロスレキシコン検証の組み合わせは、構造化パズル解決領域に対する古典的情報理論および学習に基づくアプローチより優れた制約満足度技術を示す新しいパフォーマンスベンチマークを確立する。

関連論文リスト

• Learnable Conformal Prediction with Context-Aware Nonconformity Functions for Robotic Planning and Perception [4.694504497452662]
  Learnable Conformal Predictionは、固定スコアを軽量なニューラル関数に置き換えて、コンテキスト認識の不確実性セットを生成する。 CPの理論的保証を維持しつつ、予測セットのサイズを18%減らし、検出間隔を52%減らし、経路計画の安全性を72%から91%に改善し、オーバーヘッドを最小限に抑えている。 ハードウェア評価では、LCPは1%未満のメモリと15.9%の推論オーバーヘッドを追加したが、検出タスクでは39 FPSを維持し、アンサンブルの7.4倍のエネルギー効率を保っている。
  論文  参考訳（メタデータ） (2025-09-26T06:44:58Z)
• Advanced Multi-Architecture Deep Learning Framework for BIRADS-Based Mammographic Image Retrieval: Comprehensive Performance Analysis with Super-Ensemble Optimization [0.0]
  マンモグラフィ画像検索システムでは、5つの異なるクラスにまたがる正確なBIRADSカテゴリマッチングが必要である。 現在の医用画像検索研究は方法論的限界に悩まされている。
  論文  参考訳（メタデータ） (2025-08-06T18:05:18Z)
• Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
  AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。 我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
  論文  参考訳（メタデータ） (2025-07-13T15:29:14Z)
• Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
  新規データや不完全データでは,性能が著しく低下することがわかった。 これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。 本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-03-06T15:36:06Z)
• Probabilistic Consensus through Ensemble Validation: A Framework for LLM Reliability [0.0]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩を示しているが、自律的なデプロイメントに必要な信頼性を欠いていることが多い。 本稿では,モデルコンセンサスを通じて,コンテンツ検証のためのアンサンブル手法を再利用する新しいフレームワークを提案する。 事実の精度と因果一貫性を必要とする78症例を対象としたテストでは, 精度が73.1%から93.9%に向上した。
  論文  参考訳（メタデータ） (2024-11-10T17:32:16Z)
• Cumulative Reasoning with Large Language Models [12.267474250936123]
  Cumulative Reasoning (CR)は、大規模言語モデル(LLM)問題解決を強化する構造化フレームワークである。 CRはLLMを3つの異なる役割 - Proposer、Verifier(s)、Reporter - タスクを体系的に分解し、中間的推論ステップを生成し、検証し、ソリューションに構成する。
  論文  参考訳（メタデータ） (2023-08-08T16:18:20Z)
• Offline Minimax Soft-Q-learning Under Realizability and Partial Coverage [100.8180383245813]
  オフライン強化学習(RL)のための値ベースアルゴリズムを提案する。 ソフトマージン条件下でのバニラQ関数の類似した結果を示す。 我々のアルゴリズムの損失関数は、推定問題を非線形凸最適化問題とラグランジフィケーションとしてキャストすることによって生じる。
  論文  参考訳（メタデータ） (2023-02-05T14:22:41Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)
• Testing Unsatisfiability of Constraint Satisfaction Problems via Tensor Products [0.8528384027684192]
  本稿では, テンソル分解法を用いて, 効率よく並列に不満足性の証明を計算する方法を示す。 1つの分解は、品質を犠牲にすることなく、半分の時間で不満足な証明をもたらす。 この方法は、任意のCSPからバイナリCSPへの、よく知られた双対および隠れ変数変換を用いて、任意のCSPに適用できる。
  論文  参考訳（メタデータ） (2020-01-31T18:06:52Z)

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。