論文の概要: SEER: Supervised Learning to Control Energetic Reasoning
- arxiv url: http://arxiv.org/abs/2607.16523v1
- Date: Fri, 17 Jul 2026 21:52:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.17379
- Title: SEER: Supervised Learning to Control Energetic Reasoning
- Title（参考訳）: SEER:エネルギー推論を制御するための教師付き学習
- Abstract要約: 本稿では,対象制約に対して複雑なプロパゲータを実行するかどうかを決定するために,MLを用いて得られたオラクル関数を提案する。
設計選択の組み合わせにより、アプローチは柔軟で、最先端の解決器に組み込むのが簡単になる。
実験の結果,高い予測精度が得られ,分類機能の提案が得られ,対処すべき重要な課題が浮き彫りになった。
- 参考スコア（独自算出の注目度）: 8.681933369093125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main strengths of Constraint Programming is the ability to reduce the search space via propagation. However, propagation is a double-edged sword, with more pruning power coming at the price of larger computation time. For each problem constraint, the best propagator depends on the specific instance and may change at search time. In the literature, Machine Learning (ML) techniques and activity-based heuristics have been applied respectively for choosing (statically) the propagators for a batch of problems and to adapt (dynamically) the propagation strength. We propose to merge those efforts by using an oracle function, obtained via ML, to decide whether to run complex propagators for a target constraint. A combination of design choices makes the approach flexible and easy to embed in state-of-the-art solvers. In this paper, we focus on investigating the feasibility of building an oracle for the Energetic Reasoning propagator. Our experiments show that high prediction accuracy can be obtained, provide suggestions for classification features, and highlight important issues to address when building such an oracle.
- Abstract（参考訳）: Constraint Programmingの主な強みの1つは、伝搬による検索スペースの削減である。
しかし、伝播は二本刃の剣であり、より大きな計算時間でより多くのプルーニングパワーが得られる。
各問題制約に対して、最良のプロパゲータは特定のインスタンスに依存し、検索時に変化する可能性がある。
機械学習(ML)技術とアクティビティに基づくヒューリスティックスは,それぞれ,一連の問題に対して(静的に)プロパゲータを選択し,(動的に)伝播強度に適応するために適用されてきた。
そこで本稿では,MLを用いて得られたオラクル関数を用いて,複雑なプロパゲータを対象制約に対して動作させるかどうかを判定する手法を提案する。
設計選択の組み合わせにより、アプローチは柔軟で、最先端の解決器に組み込むのが簡単になる。
本稿では,エネルギティック推論プロパゲータのためのオラクル構築の可能性について検討する。
実験の結果, 高い予測精度が得られ, 分類特徴の提案が得られ, オラクル構築における重要な課題が浮き彫りになった。
関連論文リスト
- Advantage-Guided Gate: Reshaping Open-Ended Reasoning for Vision-Based Spatial Intelligence [70.8951332710039]
マルチモーダル大言語モデル (MLLM) は複雑な空間的シーン理解と推論タスクにおいて有意な可能性を証明している。
しかし、彼らのオープンな推論プロセスは、意思決定の誤りやエラーの蓄積を招きやすいため、回答の品質が不安定になる。
本稿では,推論過程において動的に介入し,偏差を補正するアドバンテージ誘導型ゲーティングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-08T07:46:04Z) - Domain-Specialized Tree of Thought through Plug-and-Play Predictors [32.191360225502386]
本稿では,ToT検索プロセスのガイドとして,軽量かつ教師付きで適応可能なプラグアンドプレイ予測器であるDSTを紹介する。
我々の予測器は動的でコンテキスト対応のプルーニングを可能にし、より単純な推論ステップで探索をほぼ効率よく進めることができる。
我々の研究は、木に基づく推論における精度-効率のトレードオフを効果的に解決し、ToTをLLMにおける複雑な問題解決のためのスケーラブルで実践的なパラダイムに変換する。
論文 参考訳（メタデータ） (2026-03-14T10:22:01Z) - Beyond Fast and Slow: Cognitive-Inspired Elastic Reasoning for Large Language Models [39.03483371038282]
CogERは、人間の階層的推論にインスパイアされたフレームワークである。
外部ツールを必要とするクエリに対して、Cognitive Tool-Assisted Reasoningを導入する。
CogERは最先端のTest-Timeスケーリングメソッドより優れています。
論文 参考訳（メタデータ） (2025-12-17T05:11:58Z) - Efficient Heuristics Generation for Solving Combinatorial Optimization Problems Using Large Language Models [52.538586230181814]
近年のLarge Language Models (LLMs) を用いた組合せ最適化問題の解法に関する研究
プロンプトにおけるタスク固有の知識の欠如は、LLMが不特定な探索方向を提供し、良好なパフォーマンスの導出を妨げることがしばしばある。
本稿では,Herculesアルゴリズムを提案する。このアルゴリズムは設計したコア抽象化プロンプティング(CAP)法を利用して,コアコンポーネントをエリートHGから抽象化し,プリミティブに事前知識として組み込む。
論文 参考訳（メタデータ） (2025-05-19T02:20:46Z) - Directed Exploration in Reinforcement Learning from Linear Temporal Logic [59.707408697394534]
リニア時間論理(LTL)は強化学習におけるタスク仕様のための強力な言語である。
合成された報酬信号は基本的に疎結合であり,探索が困難であることを示す。
我々は、仕様をさらに活用し、それに対応するリミット決定性B"uchi Automaton(LDBA)をマルコフ報酬プロセスとしてキャストすることで、よりよい探索を実現することができることを示す。
論文 参考訳（メタデータ） (2024-08-18T14:25:44Z) - Learning Iterative Reasoning through Energy Diffusion [90.24765095498392]
我々は,エネルギー拡散による反復的推論(IRED)を紹介した。
IREDは入力条件と所望の出力の間の制約を表現するためにエネルギー関数を学ぶ。
IREDは、連続空間推論、離散空間推論、計画タスクにおいて既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-06-17T03:36:47Z) - Structured Reinforcement Learning for Incentivized Stochastic Covert Optimization [13.440621354486906]
勾配アルゴリズム(SG)を制御して、盗聴者から局所定常点の推定を隠蔽することができる。
本稿では,局所定常点の推定を盗聴者から隠蔽するために,勾配アルゴリズム(SG)をいかに制御するかを検討する。
論文 参考訳（メタデータ） (2024-05-13T01:29:48Z) - Enhancing Q-Learning with Large Language Model Heuristics [0.0]
大規模言語モデル(LLM)は、単純なタスクでゼロショット学習を達成できるが、推論速度の低下と時折幻覚に悩まされる。
我々は,LLMを幻覚として活用し,強化学習のためのQ関数の学習を支援するフレームワークであるtextbfLLM-guided Q-learningを提案する。
論文 参考訳（メタデータ） (2024-05-06T10:42:28Z) - Disentangled Latent Spaces Facilitate Data-Driven Auxiliary Learning [9.571499333904969]
補助的なタスクは、データが不足したり、関心の主タスクが極めて複雑である状況での学習を容易にする。
Detauxと呼ばれる新しいフレームワークを提案する。このフレームワークでは,非関連性のある新たな補助的分類タスクを見つけるために,弱い教師付き逆絡手順が使用される。
切り離し手順は表現レベルで機能し、主タスクに関連する変動を孤立した部分空間に分離する。
論文 参考訳（メタデータ） (2023-10-13T17:40:39Z) - Oracle-Efficient Smoothed Online Learning for Piecewise Continuous Decision Making [73.48977854003697]
この研究は、複雑性という新しい概念、一般化ブラケット数を導入し、空間の大きさに対する敵の制約を結婚させる。
次に、オンライン予測や断片的連続関数の計画など、関心のあるいくつかの問題で境界をインスタンス化する。
論文 参考訳（メタデータ） (2023-02-10T18:45:52Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。