論文の概要: Optimal LTLf Synthesis

• arxiv url: http://arxiv.org/abs/2605.11544v1
• Date: Tue, 12 May 2026 05:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.59862
• Title: Optimal LTLf Synthesis
• Title（参考訳）: 最適LTLf合成
• Authors: Yujian Cao, Sven Schewe, Qiyi Tang, Shufang Zhu,
• Abstract要約: そこでは、与えられた仕様から可能な限り多くの目的を実現することを目標とする最適合成を導入する。 まず第一に、最大保証合成(max-guarantee synthesis)を考える。 次に最大観測合成を導入する。これは、異なる実行で比較できないような、後続実現目標を最大化するものである。
• 参考スコア（独自算出の注目度）: 6.527008293029305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Strategy synthesis typically follows an all-or-nothing paradigm, returning unrealisable whenever a specification cannot be guaranteed in an uncertain environment. In this paper, we introduce optimal LTLf synthesis, where the goal is to realise as many objectives as possible from a given specification consisting of multiple objectives, especially for the case that they are not all jointly realisable. We first consider max-guarantee synthesis, which commits to a maximal set of objectives that we can a priori guarantee to realise. We then introduce max-observation synthesis, which maximises a posteriori realised objectives that may be incomparable on different executions. Finally, we present incremental max-observation synthesis, which further improves strategies by exploiting opportunities for stronger guarantees when they arise during an execution. Experimental results show that different variations of optimal synthesis scale broadly equally well, solving a large fraction of the benchmark instances within the given timeout, demonstrating the practical feasibility of the approach.
• Abstract（参考訳）: 戦略合成は一般的にオール・オア・ナッシングのパラダイムに従っており、不確実な環境で仕様が保証されないときはいつも、不要に返却される。 本稿では,複数の目的からなる仕様から可能な限り多くの目的を実現することが目的である最適LTLf合成について紹介する。 まず第一に、最大保証合成(max-guarantee synthesis)を考える。 次に最大観測合成を導入する。これは、異なる実行で比較できないような、後続実現目標を最大化する。 最後に,実行中に発生するより強力な保証の機会を活用することで,戦略をさらに改善する,インクリメンタルな最大観測合成を提案する。 実験の結果、最適合成の異なるバリエーションは、与えられたタイムアウト内のベンチマークインスタンスの大部分を解き、アプローチの実用的な実現可能性を示している。

関連論文リスト

• From Feasible to Practical: Pareto-Optimal Synthesis Planning [0.0]
  現在のコンピュータ支援合成計画法では、1つの実現可能な経路が特定されると、レトロ合成が解決されることが多い。 この考え方は、化学者がコスト、持続可能性、毒性、全体的な収量といった競合する目標をバランスさせなければならない現実世界の実践と誤解している。 ユーザ定義基準間のトレードオフを明示的に捉えるために,経路のParetoフロントを生成するアルゴリズムであるMORetro*を導入する。
  論文  参考訳（メタデータ） (2026-05-08T09:53:30Z)
• Multi-Property Synthesis [69.79949693440426]
  複数の特性を持つ合成について研究し、全ての特性を満たすことは不可能かもしれない。 プロパティのサブセットを列挙する代わりに、製品ゲーム状態とそれらから実現可能なゴールセットの関係を1つの固定点計算で計算する。
  論文  参考訳（メタデータ） (2026-01-15T18:18:33Z)
• Beyond Log Likelihood: Probability-Based Objectives for Supervised Fine-Tuning across the Model Capability Continuum [88.90314335542281]
  確率に基づく目的のファミリーを研究し、異なる条件下での有効性を特徴付ける。 客観的行動を管理する重要な次元、すなわちモデル能力の連続性を明らかにする。 我々の理論的分析は、目的が連続体を横断してどのように取引されるかをさらに解明し、目的をモデル能力に適応するための原則的な基盤を提供する。
  論文  参考訳（メタデータ） (2025-10-01T05:17:47Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• LTLf Adaptive Synthesis for Multi-Tier Goals in Nondeterministic Domains [24.117872352200948]
  多層目標を達成するための適応戦略を合成する合成関数の変種について検討する。 完全かつ健全な適応戦略を計算するためのゲーム理論技術を提供する。
  論文  参考訳（メタデータ） (2025-04-29T17:53:16Z)
• LTLf Best-Effort Synthesis in Nondeterministic Planning Domains [27.106071554421664]
  完全可観測非決定性領域(FOND)におけるベストエフォート戦略(いわゆる計画)について検討する。 非決定論的計画領域の特異性を生かしたベストエフォート戦略を合成するゲーム理論合成手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T10:10:41Z)
• ExeDec: Execution Decomposition for Compositional Generalization in Neural Program Synthesis [54.18659323181771]
  プログラム合成において望ましいいくつかの異なる構成一般化形式を特徴付ける。 本稿では,ExeDecを提案する。ExeDecは,実行サブゴールを予測し,各ステップでプログラム実行によって段階的に通知される問題を解くための,新しい分解ベースの戦略である。
  論文  参考訳（メタデータ） (2023-07-26T01:07:52Z)
• Opportunistic Qualitative Planning in Stochastic Systems with Incomplete Preferences over Reachability Objectives [24.11353445650682]
  優先順位は、すべての制約が同時に満たされない場合に、どの目標/制約を満たすかを決定する上で重要な役割を果たします。 本稿では,SPIおよびSASI戦略を合成し,複数の逐次改善を実現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-04T19:53:08Z)
• Are we Forgetting about Compositional Optimisers in Bayesian Optimisation? [66.39551991177542]
  本稿では,グローバル最適化のためのサンプル手法を提案する。 この中、重要なパフォーマンス決定の自明さは、取得機能を最大化することです。 3958実験における機能最適化手法の実証的利点を強調する。
  論文  参考訳（メタデータ） (2020-12-15T12:18:38Z)

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。