論文の概要: Learning GR(1) Specifications from Traces

• arxiv url: http://arxiv.org/abs/2608.06546v1
• Date: Thu, 06 Aug 2026 19:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.278631
• Title: Learning GR(1) Specifications from Traces
• Title（参考訳）: GR(1) トレースからの仕様の学習
• Abstract要約: 実例から GR(1) 式を効率よく学習する SAT ベースのツール GR1MINE を提案する。 我々はGR(1)スケルトンを利用して公式候補を列挙し、再計算を避けるために学習節を活用する。 GR1MINEは、ジェネリックおよび制約されたマイニングツールよりも30倍高速な60ベンチマークすべてに対して、実現可能な公式を学習する。
• 参考スコア（独自算出の注目度）: 2.699788910802475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constrained specification mining enables the automatic discovery of desired properties from system traces. Generalized Reactivity of Rank 1, or GR(1), is a fragment of LTL with polynomial-time synthesis that natively encodes assume-guarantee properties present in most hardware and robotics domains. In this paper, we present GR1MINE, a SAT-based tool for efficiently learning GR(1) formulas from examples. We exploit the GR(1) temporal skeleton to incrementally enumerate formula candidates, leveraging learnt clauses to avoid recomputation. On the Boolean GR(1) Syntech suite, GR1MINE learns a realizable formula for all 60 benchmarks over 30X faster than generic and constrained LTL mining tools. On non-GR(1) specifications from SYNTCOMP, GR1MINE is still able to recover >2X more realizable specifications than baselines within the timeout.
• Abstract（参考訳）: 制約された仕様マイニングは、システムトレースから所望のプロパティを自動的に発見することを可能にする。 Rank 1 の一般反応性(GR(1))は、ほとんどのハードウェアやロボティクス領域に存在する仮定-保証特性をネイティブにエンコードする多項式時間合成を持つ LTL の断片である。 本稿では,実例から GR(1) 式を効率的に学習する SAT ベースのツール GR1MINE を提案する。 我々はGR(1)時間スケルトンを利用して公式候補を漸進的に列挙し、再計算を避けるために学習節を活用する。 Boolean GR(1) Syntechスイートでは、GR1MINEは一般的なLTLマイニングツールよりも30倍高速で60ベンチマークすべてに対して、実現可能な公式を学習している。 SynTCOMPの非GR(1)仕様では、GR1MINEはタイムアウトのベースラインよりも2倍ほど実現可能な仕様を回復することができる。

関連論文リスト

• RAG-Enhanced Kernel-Based Heuristic Synthesis (RKHS): A Structured Methodology Using Large Language Models for Hardware Design [0.0]
  ヒューリスティック設計は、現代の電子設計自動化(EDA)ツールを支持しているが、効果的な配置、ルーティング、スケジューリングにはかなりの専門知識が必要である。 本稿では、検索拡張生成(RAG)、コンパクトカーネルテンプレート、反復自己フィードバックにインスパイアされたLCM駆動リファインメントループを統合したRAG拡張ベースヒューリスティック合成(RKHS)を提案する。 プロトタイプは1.3倍のオーバーヘッドでベースラインスケジューラ上で平均スケジュール長を最大11%削減し、構造化された検索合成ループは他のEDA最適化問題に一般化する。
  論文  参考訳（メタデータ） (2026-04-28T22:29:41Z)
• GREPO: A Benchmark for Graph Neural Networks on Repository-Level Bug Localization [50.009407518866965]
  リポジトリレベルのバグローカライゼーションは、ソフトウェアエンジニアリングの重要な課題です。 GNNは、複雑なリポジトリ全体の依存関係をモデル化できるため、有望な代替手段を提供する。 GREPOは、リポジトリスケールのバグローカライゼーションタスクのための最初のGNNベンチマークである。
  論文  参考訳（メタデータ） (2026-02-14T23:22:15Z)
• GREx: Generalized Referring Expression Segmentation, Comprehension, and Generation [99.51887959226735]
  本稿では、GRES(Generalized Referring Expression)、GREC(GREC)、GREG(Generation)という3つの新しいベンチマークを紹介する。 GRExは古典的なRExを拡張して、式が任意の数のオブジェクトを識別できるようにする。 我々は,マルチターゲット,ノーターゲット,シングルターゲット表現を含む最初の大規模GRExデータセットgRefCOCOを構築した。
  論文  参考訳（メタデータ） (2026-01-08T18:59:30Z)
• ZeroGR: A Generalizable and Scalable Framework for Zero-Shot Generative Retrieval [125.19156877994612]
  生成検索(GR)は、情報検索(IR)を文書識別子(ドシデント)の生成としてフレーミングすることによって再構成する 我々は、自然言語命令を利用して幅広いIRタスクにわたってGRを拡張するゼロショット生成検索フレームワークであるtextscZeroGRを提案する。 具体的には、textscZeroGRは、3つのキーコンポーネントで構成されている: (i)不均一な文書を意味的に意味のあるドシデントに統一するLMベースのドシデントジェネレータ; (ii)自然言語タスク記述から様々なタイプのクエリを生成し、拡張する命令チューニングクエリジェネレータ。
  論文  参考訳（メタデータ） (2025-10-12T03:04:24Z)
• Generative Recommendation with Semantic IDs: A Practitioner's Handbook [34.25784373770595]
  Generative Recommendation (GR) は、従来のモデルと比較して有望なパフォーマンスで注目を集めている。 GRの成功に寄与する重要な要因はセマンティックID(SID)であり、連続的なセマンティック表現を離散IDシーケンスに変換する。 本研究は,モジュール性に特化して設計されたセマンティックID,すなわちGRIDを用いたジェネレーティブレコメンデーションフレームワークを紹介し,オープンソース化する。
  論文  参考訳（メタデータ） (2025-07-29T20:41:51Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Toward General Instruction-Following Alignment for Retrieval-Augmented Generation [63.611024451010316]
  Retrieval-Augmented Generation (RAG) システムの効果的な適用には、自然な指示に従うことが不可欠である。 RAGシステムにおける命令追従アライメントのための,最初の自動化,拡張性,検証可能な合成パイプラインであるVIF-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-12T16:30:51Z)
• Gated Graph Recurrent Neural Networks [176.3960927323358]
  グラフ処理の一般的な学習フレームワークとしてグラフリカレントニューラルネットワーク(GRNN)を導入する。 勾配の消失問題に対処するため,時間,ノード,エッジゲートの3つの異なるゲーティング機構でGRNNを前進させた。 数値的な結果は、GRNNがGNNやRNNよりも優れており、グラフプロセスの時間構造とグラフ構造の両方を考慮することが重要であることを示している。
  論文  参考訳（メタデータ） (2020-02-03T22:35:14Z)

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。