論文の概要: The Case for Automated Hyperspecialization: Evidence from SAT

• arxiv url: http://arxiv.org/abs/2609.14836v1
• Date: Sun, 13 Sep 2026 23:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.007572
• Title: The Case for Automated Hyperspecialization: Evidence from SAT
• Title（参考訳）: 自動過専門化の事例-SATによる証拠
• Abstract要約: 単一クラスの入力に最適化された新しいソフトウェアを作成する。 我々は、自動超特殊化を安価に、効果的かつ安全にし、測定可能な性能と検査可能な出力の問題に対処する。 本稿では, 数百のワークロード固有のSATソルバを平均37ドルで合成することにより, そのような問題であるSATソルバについて検討する。
• 参考スコア（独自算出の注目度）: 12.105597820462634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The software status quo is to use one system to process many different kinds of inputs. In contrast, we propose hyperspecialization: creating new software that is optimized for a single class of inputs. Hyperspecializing manually is anywhere from expensive to impossible. We conjecture that coding agents make automated hyperspecialization cheap, effective, and safe for problems with measurable performance and checkable output. This paper explores one such problem, SAT solving, by synthesizing hundreds of workload-specific SAT solvers at an average cost of \$37 each. Our specialists outperform their competition-winning, general-purpose cousins by 5$\times$ on average, and by over $10\times$ on a quarter of benchmark families. A general-purpose solver constructed from over a hundred of our prototype hyperspecialists won the SAT track at the 2026 SAT Competition.
• Abstract（参考訳）: ソフトウェアステータスクオは、複数の異なる入力を処理するために1つのシステムを使用する。 対照的に、我々は、単一クラスの入力に最適化された新しいソフトウェアを作成するという超特殊化を提案する。 手作業による超特殊化は、高価から不可能まで、どこでも可能です。 我々は、自動超特殊化を安価に、効果的かつ安全にし、測定可能な性能と検査可能な出力の問題に対処する。 本稿では,ワークロード固有のSATソルバを平均37ドルのコストで合成することにより,SAT解決という課題を考察する。 本誌のスペシャリストたちは、競争に勝った一般の従兄弟を平均で5$\times$、ベンチマークファミリーの4分の1で10$\times$で上回っている。 2026年のSATコンペティションで、100人以上のプロトタイプ超特殊主義者からなる汎用問題解決者がSATトラックを制した。

関連論文リスト

• GaloisSAT: Differentiable Boolean Satisfiability Solving via Finite Field Algebra [17.171285034317087]
  本稿では,新しいGPU-CPU SATソルバであるGaloisSATを紹介する。 結果は、公式のSATコンペティション PAR-2 で大幅に改善された。 ガロワSATは、満足できるカテゴリーでは8.41倍のスピードアップ、満足できないカテゴリーでは1.29倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2026-03-25T19:06:06Z)
• AutoCode: LLMs as Problem Setters for Competitive Programming [94.71566758494787]
  競合グレードの問題ステートメントやテストケースを生成するために,複数の検証ラウンドを使用するAutoCodeを紹介します。 ホールドアウト問題では、AutoCodeテストスイートが99%の一貫性と公式判断にアプローチしている。
  論文  参考訳（メタデータ） (2025-09-29T17:59:03Z)
• Self-Satisfied: An end-to-end framework for SAT generation and prediction [0.7340017786387768]
  高速SAT問題生成のためのハードウェアアクセラレーションアルゴリズムと幾何SAT符号化を導入する。 これらの進歩により、何千もの変数と数万の節でSAT問題へのアプローチをスケールできます。 私たちの研究の基本的な側面は、SATデータの本質と、機械学習モデルのトレーニングに適合する可能性に関するものです。
  論文  参考訳（メタデータ） (2024-10-18T22:25:54Z)
• GraSS: Combining Graph Neural Networks with Expert Knowledge for SAT Solver Selection [45.222591894755105]
  インスタンスの3部グラフ表現に基づくSATソルバ自動選択のための新しいアプローチであるGraSSを提案する。 我々は、新しいノードの特徴設計のようなドメイン固有の決定でグラフ表現を豊かにします。 生の表現とドメイン固有の選択の組み合わせが実行時の改善につながることを実証する。
  論文  参考訳（メタデータ） (2024-05-17T18:00:50Z)
• AutoSAT: Automatically Optimize SAT Solvers via Large Language Models [10.359005620433136]
  本稿では,既存のCDCLソルバをベースとしたモジュール型検索空間の自動最適化フレームワークであるAutoSATを提案する。 AutoSATは12データセット中9データセットでMiniSatを上回り、4データセットで最先端のハイブリッドソルバKissatを上回ります。
  論文  参考訳（メタデータ） (2024-02-16T14:04:56Z)
• A hybrid Quantum proposal to deal with 3-SAT problem [75.38606213726906]
  本稿では,3SAT問題を解くためのハイブリッド量子コンピューティング戦略について述べる。 この近似の性能は、量子コンピューティングの観点から3-SATを扱う際に、一連の代表的なシナリオで検証されている。
  論文  参考訳（メタデータ） (2023-06-07T12:19:22Z)
• W2SAT: Learning to generate SAT instances from Weighted Literal Incidence Graphs [11.139131079925113]
  W2SATは、現実世界/産業インスタンスから固有の構造と特性を学ぶことによってSAT式を生成するフレームワークである。 Weighted Literal Incidence Graph (WLIG)と呼ばれる新しいSAT表現を導入する。 WLIGからSAT問題への復号化は、新しい丘登り最適化法で重なり合う斜角を見つけることをモデル化する。
  論文  参考訳（メタデータ） (2023-02-01T06:30:41Z)
• Estimating the hardness of SAT encodings for Logical Equivalence Checking of Boolean circuits [58.83758257568434]
  LEC インスタンスの SAT 符号化の硬さは SAT パーティショニングでは textitw.r. と推定できることを示す。 そこで本研究では, SAT符号化の難易度を精度良く推定できるパーティショニング法を提案する。
  論文  参考訳（メタデータ） (2022-10-04T09:19:13Z)
• DeepSAT: An EDA-Driven Learning Framework for SAT [9.111341161918375]
  We present DeepSAT, a novel-to-end learning framework for the Boolean satisfiability (SAT) problem。 DeepSATは最先端の学習ベースSATソリューションに対して,大幅な精度向上を実現している。
  論文  参考訳（メタデータ） (2022-05-27T03:20:42Z)
• Machine Learning Methods in Solving the Boolean Satisfiability Problem [72.21206588430645]
  本論文は, Boolean satisfiability problem (SAT) を機械学習技術で解くことに関する最近の文献をレビューする。 ML-SATソルバを手作り特徴を持つナイーブ分類器からNeuroSATのような新たなエンド・ツー・エンドSATソルバまで,進化するML-SATソルバについて検討する。
  論文  参考訳（メタデータ） (2022-03-02T05:14:12Z)
• Identifying Self-Admitted Technical Debt in Issue Tracking Systems using Machine Learning [3.446864074238136]
  技術的負債は短期的利益のために実装された準最適ソリューションのメタファーである。 Self-Admitted Technical Debtの特定に関する作業の多くは、ソースコードのコメントに重点を置いている。 本稿では,機械学習を用いた問題追跡システムにおけるSATDの自動識別手法の提案と最適化を行う。
  論文  参考訳（メタデータ） (2022-02-04T15:15:13Z)
• Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis [63.53283025435107]
  CNFベースのSATとMaxSATは論理合成と検証システムの中心である。 そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T04:47:35Z)

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。