論文の概要: Streamlined Constraint Reasoning via CNN Pattern Recognition on Enumerated Solutions

• arxiv url: http://arxiv.org/abs/2605.19895v1
• Date: Tue, 19 May 2026 14:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.398298
• Title: Streamlined Constraint Reasoning via CNN Pattern Recognition on Enumerated Solutions
• Title（参考訳）: 列挙された解のCNNパターン認識による線形制約推論
• Authors: Patrick Spracklen,
• Abstract要約: 提案手法は,実現可能な解を列挙し,非解に対する畳み込みニューラルネットワークのコントラストを訓練し,CNNを候補となるMiniZincストリームライナーに変換する。 我々のパイプラインは、硬化した容器ローディングの98.8%、硬化したソーシャルゴルファーの98.6%、ブラックホールの89.4%のポートフォリオタイムを達成し、それぞれ932x、356x、1103xの幾何学平均速度に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constraint programming practitioners accelerate hard problems through a layered set of techniques applied in order of risk. Standard hardening (symmetry-breaking and implied constraints) is applied first and preserves satisfiability. Streamliner constraints, which restrict search to a structural sub-family of solutions, do not preserve satisfiability and are reserved as a final lever. Existing automated streamliner-synthesis approaches either search a constraint grammar or prompt a Large Language Model directly on the problem model. We propose a different approach: enumerate feasible solutions, train a Convolutional Neural Network contrastively against perturbed non-solutions to detect structural patterns, and translate the CNN's discriminative signal into candidate MiniZinc streamliners through LLM-driven synthesis. The CNN grounds the LLM's constraint generation in observed solution structure rather than model text alone. We evaluate on hardened benchmark models where streamliner discovery is the residual performance lever. Our pipeline achieves 98.8% portfolio time reduction on hardened Vessel Loading, 98.6% on hardened Social Golfers, and 89.4% on Black Hole, with best-single streamliners reaching geometric-mean speedups of 932x, 356x, and 1103x respectively. Discovered streamliners include class-based packing constraints on Vessel Loading, beyond-hardening canonicalisations on Social Golfers, and layout-coordinate bounds on Black Hole.
• Abstract（参考訳）: 制約プログラミング実践者は、リスクの順に適用される一連のテクニックを通じて、難しい問題を加速します。 標準硬化(対称性の破れと暗黙の制約)が最初に適用され、満足度が保たれる。 解の構造的なサブファミリーへの探索を制限するストリームライナー制約は、満足度を保たず、最終的なレバーとして予約されている。 既存の自動スリープライナー合成アプローチは制約文法を検索するか、問題モデルに直接大きな言語モデルを促すかのいずれかである。 提案するアプローチは, 実現可能な解を列挙し, 構造パターンを検出するために摂動型非解法に対して対照的に畳み込みニューラルネットワークを訓練し, LLM駆動合成によりCNNの識別信号を候補のMiniZincストリーマに変換するアプローチである。 CNNは、LLMの制約生成を、モデルテキストのみではなく、観測されたソリューション構造に基礎を置いている。 我々は,ストリームライナー発見が残差性能レバーである強化ベンチマークモデルについて検討した。 我々のパイプラインは、硬化した容器ローディングの98.8%、硬化したソーシャルゴルファーの98.6%、ブラックホールの89.4%のポートフォリオタイムを達成し、それぞれ932x、356x、1103xの幾何学平均速度に達した。 発見されているストリームライナーには、Vessel Loadingのクラスベースのパッキング制限、Social Golfersの超硬度カノニケーション、Black Holeのレイアウト調整バウンダリなどがある。

関連論文リスト

• Primal-Dual Guided Decoding for Constrained Discrete Diffusion [5.219025684249083]
  KL正規化最適化問題として制約付き生成を定式化する推定時間法であるプリマル・デュアルガイド付き復号法を提案する。 各復調ステップでは、制約違反に基づくミラー降下により乗算器が更新され、付加的制約依存バイアスによりトークンロジットを修飾する。 ドメイン固有のスコアリング機能によってインスタンス化された1つのアルゴリズムは、関連するドメイン固有の品質指標を保存しながら制約満足度を向上することを示す。
  論文  参考訳（メタデータ） (2026-05-10T20:55:19Z)
• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• Punch Out Model Synthesis: A Stochastic Algorithm for Constraint Based Tiling Generation [0.0]
  Constraint Based Tiling Generation (CBTG)アルゴリズムは、一連のタイルと配置制約からレベル実現を自動的に生成するのに役立つ。 Punch Out Model Synthesis (POMS, Constraint Based Tiling Generation algorithm) を提案する。
  論文  参考訳（メタデータ） (2025-01-05T21:49:50Z)
• Learning to Explore with Lagrangians for Bandits under Unknown Linear Constraints [8.784438985280094]
  線形制約が未知の多腕バンディットにおける純粋探索として問題を研究する。 まず、制約下での純粋な探索のために、サンプルの複雑さを低く抑えたラグランジアン緩和を提案する。 第二に、ラグランジアンの下界と凸の性質を利用して、トラック・アンド・ストップとガミファイド・エクスプローラー(LATSとLAGEX)の2つの計算効率の良い拡張を提案する。
  論文  参考訳（メタデータ） (2024-10-24T15:26:14Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• A Pseudo-Semantic Loss for Autoregressive Models with Logical Constraints [87.08677547257733]
  ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。 本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。 また,スドクと最短経路予測の手法を自己回帰世代として評価した。
  論文  参考訳（メタデータ） (2023-12-06T20:58:07Z)
• Local monotone operator learning using non-monotone operators: MnM-MOL [13.037647287689442]
  磁気共鳴(MR)画像のアンダーサンプル計測からの復元は、近年広く研究されている重要な問題である。 アンロールされたアプローチは、畳み込みニューラルネットワーク(CNN)ブロックのエンドツーエンドトレーニングを制限する。 MOLアプローチを導入し、アンローリングの必要性を排除し、トレーニング中のメモリ需要を減らす。
  論文  参考訳（メタデータ） (2023-12-01T07:15:51Z)
• Linear Stochastic Bandits over a Bit-Constrained Channel [37.01818450308119]
  我々は,ビット制約チャネル上に線形バンドレットの新たな定式化を導入する。 サーバの目標は、未知のモデルパラメータの推定値に基づいてアクションを取ることで、累積的後悔を最小限に抑えることである。 未知のモデルが$d$-dimensionalである場合、チャネル容量は$O(d)$ bits suffices で順序最適後悔を実現する。
  論文  参考訳（メタデータ） (2022-03-02T15:54:03Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。