論文の概要: Streamliners for Answer Set Programming

• arxiv url: http://arxiv.org/abs/2604.19251v1
• Date: Tue, 21 Apr 2026 09:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.696132
• Title: Streamliners for Answer Set Programming
• Title（参考訳）: 解集合プログラミングのためのストリームライナー
• Authors: Florentina Voboril, Martin Gebser, Stefan Szeider, Alice Tarzariol,
• Abstract要約: 制約プログラミングのためのストリームライナーを生成するためにStreamLLMアプローチをAnswer Set Programming (ASP)に適用する。 仮想ベストエンコーディング(VBE)の結果を報告し、各インスタンスにおいて、元のエンコーディングと、その合理化された変種のうち、最も速いものを選択する。 3つのASP benchmarkベンチマークでは、VBEは元のエンコーディングよりも最大4～5倍のスピードアップを達成する。
• 参考スコア（独自算出の注目度）: 23.50862943275843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streamliner constraints reduce the search space of combinatorial problems by ruling out portions of the solution space. We adapt the StreamLLM approach, which uses Large Language Models (LLMs) to generate streamliners for Constraint Programming, to Answer Set Programming (ASP). Given an ASP encoding and a few small training instances, we prompt multiple LLMs to propose candidate constraints. Candidates that cause syntax errors, render satisfiable instances unsatisfiable, or degrade performance on all training instances are discarded. The surviving streamliners are evaluated together with the original encoding, and we report results for a virtual best encoding (VBE) that, for each instance, selects the fastest among the original encoding and its streamlined variants. On three ASP Competition benchmarks (Partner Units Problem, Sokoban, Towers of Hanoi), the VBE achieves speedups of up to 4--5x over the original encoding. Different LLMs produce semantically diverse constraints, not mere syntactic variations, indicating that the approach captures genuine problem structure.
• Abstract（参考訳）: ストリームライナー制約は、解空間の一部を除外することで組合せ問題の探索空間を減少させる。 本稿では,Large Language Models (LLM) を用いて制約プログラミングの合理化を行う StreamLLM アプローチを,Answer Set Programming (ASP.NET) に適用する。 ASPエンコーディングといくつかの小さなトレーニングインスタンスがあれば、複数のLCMに候補制約を提案するように促します。 構文エラーを引き起こす候補、満足できないインスタンスをレンダリングする候補、またはすべてのトレーニングインスタンスのパフォーマンスを低下させる候補は破棄される。 生き残ったストリームライナーは元のエンコーディングとともに評価され、仮想ベストエンコーディング(VBE)の結果を報告します。 3つのASPベンチマーク(Partner Units Problem, Sokoban, Towers of Hanoi)では、VBEはオリジナルのエンコーディングよりも最大4～5倍のスピードアップを実現している。 異なる LLM は意味的に多様な制約を生成し、単なる構文的変化ではなく、アプローチが真の問題構造を捉えていることを示している。

関連論文リスト

• Free Draft-and-Verification: Toward Lossless Parallel Decoding for Diffusion Large Language Models [8.407364705777587]
  本稿では,DLLMに適した高速デコードアルゴリズムFree Draft-and-Verification(FreeDave)を紹介する。 FreeDaveは、パフォーマンスを低下させることなく、推論スループットを最大3.78倍に向上させることが証明されている。
  論文  参考訳（メタデータ） (2025-09-30T21:28:04Z)
• Fast and Fluent Diffusion Language Models via Convolutional Decoding and Rejective Fine-tuning [23.58934174168992]
  Autoregressive (AR)言語モデルでは、テキストを1つずつ生成することで、推論速度が制限される。 ハードセグメンテーションなしでデコードウインドウを狭める正規化法である畳み込み復号法(Conv)を提案する。 Rejecting Rule-based Fine-Tuning (R2FT)も導入しています。
  論文  参考訳（メタデータ） (2025-09-18T17:48:21Z)
• Constrained Decoding of Diffusion LLMs with Context-Free Grammars [1.0923877073891446]
  大規模言語モデル(LLM)は、様々な領域で有望なパフォーマンスを示している。 本稿では拡散モデルに対する最初の制約付き復号法を提案する。 本手法は,機能的正当性を維持しつつ,ほぼ完全な統語的正当性を達成できることを示す。
  論文  参考訳（メタデータ） (2025-08-13T18:09:09Z)
• ONLY: One-Layer Intervention Sufficiently Mitigates Hallucinations in Large Vision-Language Models [67.75439511654078]
  LVLM(Large Vision-Language Models)は、テキスト応答による画像入力の理解と推論のための新しいパラダイムを導入している。 彼らは幻覚という永続的な課題に直面しており、現実のアプリケーションに信頼性のあるデプロイを行うことについて懸念を抱き、実践的な弱点をもたらしている。 OnLYは,1つのクエリと1層の介入しか必要とせず,効率的なリアルタイムデプロイメントを実現するためのトレーニング不要なデコーディング手法である。
  論文  参考訳（メタデータ） (2025-07-01T16:01:08Z)
• Fast Controlled Generation from Language Models with Adaptive Weighted Rejection Sampling [90.86991492288487]
  トークンの制約を評価するのは 違法にコストがかかる LCDは文字列上のグローバル分布を歪め、ローカル情報のみに基づいてトークンをサンプリングすることができる。 我々のアプローチは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-07T18:30:18Z)
• Efficient Real-time Refinement of Language Model Text Generation [65.1937138219008]
  大規模言語モデル(LLM)は、幅広い自然言語タスクにおいて顕著な性能を示している。 重要な課題は、時に事実的に誤った答えを生じさせることである。 本稿では,LLM出力の検証と改善の効率化を目的とした新しい手法であるStreaming-VRを提案する。
  論文  参考訳（メタデータ） (2025-01-14T03:59:48Z)
• Generating Streamlining Constraints with Large Language Models [20.580584407211486]
  合理化制約(あるいは合理化制約)は探索空間を狭め、複雑な制約満足度の問題を解決するスピードと実現可能性を高める。 提案手法は,Large Language Models (LLMs) の創造性を利用して,MiniZinc 制約言語で指定された問題に対する効率的なスリープライナーを提案する。
  論文  参考訳（メタデータ） (2024-08-16T14:17:26Z)
• Decoding at the Speed of Thought: Harnessing Parallel Decoding of Lexical Units for LLMs [57.27982780697922]
  大規模言語モデルは、自然言語の理解と生成において例外的な能力を示した。 しかし、それらの生成速度は、その復号過程の本質的にシーケンシャルな性質によって制限される。 本稿では,データ駆動方式で実装された新しいデコーディング手法であるLexical Unit Decodingを紹介する。
  論文  参考訳（メタデータ） (2024-05-24T04:35:13Z)
• Hierarchical Context Merging: Better Long Context Understanding for Pre-trained LLMs [61.40047491337793]
  本稿では,大規模言語モデルの制約を克服する新しいトレーニングフリースキームである階層型cOntext MERging(HOMER)を提案する。 HomeRは、長いインプットを管理可能なチャンクに分割する、分別/対数アルゴリズムを使用する。 トークン削減技術がマージ毎に先行し、メモリ使用効率が保証される。
  論文  参考訳（メタデータ） (2024-04-16T06:34:08Z)

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。