論文の概要: Investigating the Grounding Bottleneck for a Large-Scale Configuration Problem: Existing Tools and Constraint-Aware Guessing

• arxiv url: http://arxiv.org/abs/2601.03850v1
• Date: Wed, 07 Jan 2026 12:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.495425
• Title: Investigating the Grounding Bottleneck for a Large-Scale Configuration Problem: Existing Tools and Constraint-Aware Guessing
• Title（参考訳）: 大規模構成問題に対する接地ボトルネックの調査:既存のツールと制約対応ガイダンス
• Authors: Veronika Semmelrock, Gerhard Friedrich,
• Abstract要約: 我々は、いわゆる基盤ボトルネックに対処する手法に焦点を当て、現在のASP技術の可能性と限界を示します。 グラウンディングの分析に基づいて,制約認識推定法を開発し,メモリ使用量を大幅に削減した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Answer set programming (ASP) aims to realize the AI vision: The user specifies the problem, and the computer solves it. Indeed, ASP has made this vision true in many application domains. However, will current ASP solving techniques scale up for large configuration problems? As a benchmark for such problems, we investigated the configuration of electronic systems, which may comprise more than 30,000 components. We show the potential and limits of current ASP technology, focusing on methods that address the so-called grounding bottleneck, i.e., the sharp increase of memory demands in the size of the problem instances. To push the limits, we investigated the incremental solving approach, which proved effective in practice. However, even in the incremental approach, memory demands impose significant limits. Based on an analysis of grounding, we developed the method constraint-aware guessing, which significantly reduced the memory need.
• Abstract（参考訳）: Answer set programming (ASP)はAIビジョンの実現を目的としている。 実際、ASPはこのビジョンを多くのアプリケーションドメインで実現した。 しかし、現在のASPの解決テクニックは、大規模な構成問題に対してスケールアップされるだろうか? このような問題のベンチマークとして,3万以上のコンポーネントから構成される電子システムの構成について検討した。 我々は、現在のASP技術の可能性と限界を示し、いわゆる基盤ボトルネック、すなわち問題インスタンスのサイズにおけるメモリ要求の急激な増加に対処する手法に焦点を当てる。 この限界を推し進めるために,実効性のある漸進的解法について検討した。 しかし、漸進的なアプローチであっても、メモリ要求は大幅に制限される。 グラウンディングの分析に基づいて,制約認識推定法を開発し,メモリ使用量を大幅に削減した。

関連論文リスト

• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Designing Object Detection Models for TinyML: Foundations, Comparative Analysis, Challenges, and Emerging Solutions [8.313977832587684]
  オブジェクト検出(OD)は多くのコンピュータビジョンアプリケーションにとって不可欠だが、リソースに制約のあるIoTデバイスにデプロイすることは大きな課題である。 TinyMLは、超低消費電力デバイス上でODを有効にし、エッジでの効率的なリアルタイム処理を実現することで、魅力的なソリューションを提供する。 本稿では、リソース制約のあるデバイスにODモデルをデプロイするための鍵となる最適化手法を詳細に分析する。
  論文  参考訳（メタデータ） (2025-08-11T17:28:59Z)
• On Accelerating Edge AI: Optimizing Resource-Constrained Environments [1.7355861031903428]
  リソース制約のあるエッジデプロイメントでは、厳格な計算、メモリ、エネルギー制限とハイパフォーマンスのバランスをとるAIソリューションが要求される。 本稿では,このような制約下でのディープラーニングモデルを加速するための主要な戦略について概観する。
  論文  参考訳（メタデータ） (2025-01-25T01:37:03Z)
• Deep Learning Techniques for Visual Counting [0.13537117504260618]
  静止画像やビデオフレーム中のオブジェクトをカウントするディープラーニング(DL)技術について検討・拡張を行った。 特に、現在のDLベースのソリューションをトレーニングするために必要なデータ不足に関する課題に取り組みました。
  論文  参考訳（メタデータ） (2022-06-07T06:20:40Z)
• Rushing and Strolling among Answer Sets -- Navigation Made Easy [0.0]
  本研究では,フェースドブラウジングに類似した回答集合の所望のサブセットに対する対話的ナビゲーションのためのフレームワークを提案する。 提案手法により,あるペースで解のサブスペース内外を意識的にズームアウトすることで,解空間を探索することができる。
  論文  参考訳（メタデータ） (2021-12-14T17:50:06Z)
• CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
  最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。 このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。 本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
  論文  参考訳（メタデータ） (2021-02-24T09:16:10Z)
• Advancing Lazy-Grounding ASP Solving Techniques -- Restarts, Phase Saving, Heuristics, and More [3.8673630752805432]
  Answer-Set Programming(ASP)は、論理ベースのAIにおいて、かなりの数のアプリケーションを持つ強力で表現力豊かな知識表現パラダイムである。 従来の接地と解決のアプローチでは、ASPプログラムを事前に接地する必要があるため、いわゆる接地ボトルネックに悩まされる。 緩和策として、遅延グラウンドのASPソルバが開発されているが、接地されたASPソルバの最先端技術の多くは、まだ利用できない。
  論文  参考訳（メタデータ） (2020-08-08T13:55:36Z)
• Learning What to Defer for Maximum Independent Sets [84.00112106334655]
  本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。 提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2020-06-17T02:19:31Z)
• Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection [184.563345153682]
  我々は、弱教師付き学習のためのインスタンス認識とコンテキスト重視の統合フレームワークを開発する。 メモリ効率の高いシーケンシャルバッチバックプロパゲーションを考案しながら、インスタンス対応の自己学習アルゴリズムと学習可能なコンクリートドロップブロックを採用している。 提案手法はCOCO(12.1% AP$、24.8% AP_50$)、VOC 2007(54.9% AP$)、VOC 2012(52.1% AP$)の最先端結果である。
  論文  参考訳（メタデータ） (2020-04-09T17:57:09Z)

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。