論文の概要: Minimal Comparison of Octagonal Abstract Domains

• arxiv url: http://arxiv.org/abs/2606.15582v1
• Date: Sun, 14 Jun 2026 03:54:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.703444
• Title: Minimal Comparison of Octagonal Abstract Domains
• Title（参考訳）: オクタゴナル抽象ドメインの最小比較
• Abstract要約: 抽象領域を選択するための包括的なアプローチは、抽象状態の最小比較である。 効果的にするためには、抽象状態は急激な制約を伴わない必要がある。 本研究では,オクタゴンの制約を除去する新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.3867363075280543
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Numerical abstract domains vary in their expressiveness; more expressive domains like Zones yield more precise invariants than Intervals. A comprehensive approach to selecting abstract domains is a minimal comparison of abstract states. However, to be effective, it requires abstract states to be free of spurious constraints. While previous work developed spurious constraint elimination for Zones, this work introduces a novel algorithm for eliminating such constraints for Octagons. We evaluate our approach by comparing the precision of 6,930 invariants from different abstract domains. Our results show that the minimal comparison reclassifies many invariants as equivalent, thus reducing the impact of Octagons' expressiveness on invariant precision.
• Abstract（参考訳）: 数値的な抽象的領域は表現性によって異なり、ゾーンのような表現的領域はインターバルよりも正確に不変である。 抽象領域を選択するための包括的なアプローチは、抽象状態の最小比較である。 しかし、効果的にするためには、抽象状態は急激な制約を伴わない必要がある。 以前の研究ではゾーンの急激な制約除去が開発されたが、この研究はオクタゴンの制約を除去する新しいアルゴリズムを導入している。 我々は,異なる抽象領域からの6,930の不変量の精度を比較することによって,我々のアプローチを評価する。 以上の結果から,最小比較は多くの不変量を同値として再分類し,オクタゴナルスの表現性が不変精度に与える影響を低減した。

関連論文リスト

• Synergy over Discrepancy: A Partition-Based Approach to Multi-Domain LLM Fine-Tuning [9.97195966127976]
  大規模言語モデル(LLM)は印象的な一般化能力を示すが、複数の異種ドメインに効果的に適用することは困難である。 負の転送を最小限に抑えつつドメイン間シナジーを生かした分割型多段階微調整フレームワークを提案する。 私たちのアプローチでは、ドメインの相違、シナジー、モデルキャパシティの制約のバランスをとることによって、ドメインを(ステージ)に戦略的に分割します。
  論文  参考訳（メタデータ） (2025-11-10T15:27:26Z)
• Grouping Nodes With Known Value Differences: A Lossless UCT-based Abstraction Algorithm [64.43268969806098]
  モンテカルロ木探索(MCTS)の中核的な課題は、状態-作用ペアをグループ化することで改善できるサンプル効率である。 我々は、値等価状態または状態-作用ペアをグループ化し、代わりに異なる値を持つグループ状態と状態-作用ペアをグループ化するパラダイムを破る。 我々はこの抽象化フレームワークをKVDA(Known Value difference Abstractions)と呼び、即時報酬の分析によって価値の差を推測する。
  論文  参考訳（メタデータ） (2025-10-29T11:03:44Z)
• Investigating Intra-Abstraction Policies For Non-exact Abstraction Algorithms [64.43268969806098]
  モンテカルロ木探索(MCTS)の弱点は、そのサンプル効率である。 そこで我々は,いくつかの代替的吸収内政策を提案し,実証的に評価する。
  論文  参考訳（メタデータ） (2025-10-28T11:00:30Z)
• Domain-Inspired Sharpness-Aware Minimization Under Domain Shifts [38.78485556098491]
  本稿ではドメインシフト下での最適化のためのドメインインスパイアされたシャープネス認識最小化(DISAM)アルゴリズムを提案する。 これは異なる領域にまたがるSAMの矛盾収束度によって動機付けられ、特定の領域に対する最適化バイアスを引き起こす。 このメカニズムの下では、理論上、DIAMはより高速な総合収束を実現し、原理的に一般化を向上できることを示す。
  論文  参考訳（メタデータ） (2024-05-29T08:22:33Z)
• Deep Least Squares Alignment for Unsupervised Domain Adaptation [6.942003070153651]
  教師なしのドメイン適応はラベル付きソースドメインからの豊富な情報を活用してラベルなしのターゲットドメインをモデル化する。 線形モデルをパラメータ化することにより,2つの領域の潜在空間における分布を推定するために,最深部最小二乗アライメント(DLSA)を提案する。 拡張実験により,提案したDLSAモデルは領域分布の整合に有効であり,最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-11-03T13:23:06Z)
• Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
  ドメイン固有の表現からドメイン不変表現を取り除こうとする。 実験では,本手法を単目的,複目的のケースで評価した。
  論文  参考訳（メタデータ） (2021-08-15T07:58:59Z)
• Cross-Domain Sentiment Classification with In-Domain Contrastive Learning [38.08616968654886]
  クロスドメイン感情分類のためのコントラスト学習フレームワークを提案する。 ドメイン内コントラスト学習とエントロピー最小化を導入する。 我々のモデルは標準ベンチマークで達成される。
  論文  参考訳（メタデータ） (2020-12-05T03:48:32Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
  構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。 私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。 提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
  論文  参考訳（メタデータ） (2020-07-07T21:26:35Z)
• Gradually Vanishing Bridge for Adversarial Domain Adaptation [156.46378041408192]
  我々は,ジェネレータと判別器の両方にGVB(Gradually Vanishing Bridge)機構を併用した対向領域適応を行う。 ジェネレータでは、GVBは全体の転送困難を軽減できるだけでなく、残留ドメイン固有の特性の影響を低減できる。 判別器では、GVBは識別能力を高め、敵の訓練過程のバランスをとることに寄与する。
  論文  参考訳（メタデータ） (2020-03-30T01:36:13Z)

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。