Towards an Understanding of Long-Tailed Runtimes of SLS Algorithms
Universität Ulm（乌尔姆大学）
可满足性问题是计算机科学中最著名的问题之一。它的NP完全性被用来证明SAT是难处理的。然而，已经有了巨大的进步，允许SAT求解器解决数百万变量的实例。一个特别成功的范例是随机局部搜索。在大多数情况下，有不同的方式来阐述根本问题。虽然已知这对求解器的运行时间有影响，但找到有用的公式通常是不平凡的。最近推出的GapSAT求解器[Lorenz and Wörz 2020]通过学习原始问题逻辑上需要的额外信息，成功地提高了SLS求解器的平均性能。不过，在有些情况下，业绩略有恶化。这证明深入研究学习逻辑含义如何影响SLS的运行时是正确的。在这项工作中，我们提出了一种方法，用于生成逻辑上等价的问题配方，概括GapSAT的想法。这允许对SLS解算器的运行时间的影响进行严格的数学研究。如果变质处理是随机的，约翰逊SB分布提供了一个完美的硬度表征。由于观察到的Johnson SB分布接近对数正态分布，我们的分析还表明硬度是长尾的。作为第二个贡献，我们从理论上证明了重启对于长尾分布是有用的。这意味着额外的重新启动可以进一步改进采用上述修改技术的所有算法。由于实证研究令人信服地表明，运行时分布遵循约翰逊SB分布，我们调查这个属性理论。我们成功地证明了Schöning的随机游走算法的运行时间近似为Johnson SB。
2022-10-24 cs.AI cs.DS math.PR
ML Supported Predictions for SAT Solvers Performance
Federal Office for Information Security（德国联邦信息安全办公室）
为了对开源SAT求解器CryptoMiniSat在多线程模式下处理难以解决布尔可满足性问题实例时的不确定性终止行为进行分类，收集并分析了内部求解器运行时参数。这些参数的子集已被选择并用作特征向量，以成功地创建机器学习模型，用于对求解器的终止行为进行二进制分类，并对尚未求解的实例进行任何新的求解运行。该模型可用于早期估计的解决尝试属于或不属于类的候选人具有良好的机会快速终止。在这种情况下，运行时特性的活动配置文件的组合似乎反映了求解器的瞬时性能对求解器的解决过程的即时质量的影响。由于前两次求解迭代的运行时参数足以预测成功分数良好的尝试的终止，因此本工作的结果提供了一个有希望的基础，可以进一步开发，以丰富CryptoMiniSat或任何具有AI能力的现代SAT求解器。
2021-12-17 cs.AI cs.CR cs.LG
Online Synthesis for Runtime Enforcement of Safety in Multi-Agent Systems
The University of Texas at Austin（得克萨斯大学奥斯汀分校）
防护罩附在系统上，通过在运行时纠正系统的行为来保证安全。现有的方法，采用设计时合成的盾牌不扩展到多智能体系统。此外，这种屏蔽通常以集中方式实现，需要关于系统中所有代理的状态的全局信息。我们通过一种新的方法来解决这些限制，其中屏蔽在运行时合成，不需要全局信息。每个代理都有一个屏蔽，它只能修改相应代理的行为。在这种从根本上分散的方法中，每个代理上的屏蔽都有两个组件：一个纠正代理行为的探路者和一个动态修改代理优先级的排序机制。当前优先级决定屏蔽是否使用路径查找器来修改代理的行为。我们推导出一个上限的最大偏差，从其原始行为的任何代理。我们证明了最坏情况下的合成时间是二次的代理在运行时的数量，而不是指数在现有的方法设计时。我们测试的性能分散，运行时屏蔽合成方法上的碰撞避免问题。对于50x50网格中的50个代理，每当检测到潜在冲突时，运行时的合成需要每个代理几秒钟。相比之下，用于类似设置的屏蔽的集中式设计时合成在5x5网格中的4个代理之外是难以处理的。
2020-02-27 cs.AI cs.MA cs.SY
Online Adaptive Learning for Runtime Resource Management of Heterogeneous SoCs
Arizona State University（亚利桑那州立大学）；Washington State University（华盛顿州立大学）；Intel Corporation（英特尔公司）
由于低功耗和高性能的要求，动态资源管理已成为现代计算机和通信系统设计的主要研究领域之一。集成核心的数量、异构程度和控制旋钮的数量稳步增加。因此，系统复杂性的增长速度超过了我们优化和动态管理资源的能力。此外，离线方法是次优的，由于工作负载的变化和大量的新的应用程序在设计时未知的。本文首先回顾了最近用于预测系统性能、功率和温度的在线学习技术。然后，我们描述了使用预测模型在线控制使用两种现代方法：模仿学习（IL）和显式非线性模型预测控制（NMPC）。商业移动平台上的16个基准测试结果表明，IL方法成功地适应控制策略未知的应用程序。与现代GPU子系统的多变量电源管理的最先进算法相比，显式NMPC可节省25%的能源。
2020-08-22 cs.AI cs.DC cs.LG
Using Sequential Runtime Distributions for the Parallel Speedup Prediction of SAT Local Search
University of Tokyo（东京大学）；CNRS（法国国家科学研究中心）；UPMC（巴黎第六大学（皮埃尔和玛丽·居里大学））；University of Nantes（南特大学）
本研究提出一种基于序列运行时分布与次序统计量的框架，预测SAT局部搜索算法的并行加速性能，经两款求解器在384核硬件上的实验验证准确率较高，并发现其运行时分布可由指数或对数正态分布近似。
2024-01-30 cs.AI cs.DC
A Unified Framework for Runtime Verification and Model-Based Diagnosis in LOLA
University of Luebeck（吕贝克大学）；University of Klagenfurt（克雷格弗尔特大学）
提出在流规范语言LOLA中统一运行时验证与基于模型诊断的框架，通过将系统描述、组件健康状态和观测编码为单一流形式，实现在线故障定位。
2026-06-24 cs.AI cs.LO cs.SE
Online Active Perception for Partially Observable Markov Decision Processes with Limited Budget
University of Texas at Austin（德克萨斯大学奥斯汀分校）
主动感知策略使智能体能够有选择地收集信息，以提高其性能。在应用程序中，代理不具有现有的信息源的先验知识，它是至关重要的综合主动感知策略在运行时。我们认为，在运行时的代理是能够收集信息的有限的预算下的设置。我们提出的问题的背景下，部分可观察的马尔可夫决策过程。我们提出了一个广义的贪婪策略，选择一个子集的信息源的不确定性减少的近最优保证。我们的理论分析表明，所提出的主动感知策略在预期的累积奖励方面达到了接近最优的性能。我们展示了机器人导航问题的模拟产生的战略。
2019-10-04 cs.AI cs.SY eess.SY
Machine Learning for Online Algorithm Selection under Censored Feedback
Paderborn University（帕德博恩大学）；LMU Munich（慕尼黑大学）
在在线算法选择（OAS）中，算法问题类的实例被一个接一个地呈现给代理，并且代理必须从固定的候选算法集合中快速地选择可能是最好的算法。对于可满足性（SAT）等决策问题，质量通常指算法的运行时间。由于已知后者表现出重尾分布，因此当超过预定义的时间上限时，算法通常会停止。因此，用于以数据驱动的方式优化算法选择策略的机器学习方法需要处理右删失样本，这是迄今为止文献中很少关注的问题。在这项工作中，我们重新审视多臂强盗算法的办公自动化系统，并讨论其处理问题的能力。此外，我们使它们适应面向运行时的损失，允许部分删失的数据，同时保持独立于时间范围的空间和时间复杂度。在对ASlib基准测试的改编版本进行的广泛实验评估中，我们证明了基于Thompson采样的理论上有充分依据的方法与现有方法相比具有特别强的性能和改进。
2021-09-13 cs.AI cs.LG
MeanField Surrogate Modeling for Scalable Runtime Scheduling of Concurrent Heterogeneous AI Inference on Shared GPUs
Seoul National University（首尔大学）；Institute of Computer Technology (ICT), Seoul National University（首尔大学计算机技术研究所）
针对共享GPU上并发异构AI推理的调度难题，提出MeanField代理模型，将其集成到遗传算法调度器中，在多类工作负载场景下实现高精度、低耗时的可扩展调度，性能接近穷举搜索且效率大幅提升。
2026-09-03 cs.AI cs.DC
Near-Optimal Reactive Synthesis Incorporating Runtime Information
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Sheffield（谢菲尔德大学）
我们考虑最优反应合成的问题-计算一个策略，满足任务规范在动态环境中，并优化性能指标。我们将关键任务的信息，这是只有在运行时，到战略合成，以提高性能。利用这种时变信息的现有方法需要在线重新合成，这在实时应用中在计算上是不可行的。在本文中，我们预先合成了一组对应于候选实例（预先指定的代表性信息场景）的策略。然后，我们提出了一种新的切换机制，在运行时动态切换的策略，同时保证所有的安全性和活性的目标得到满足。我们还刻画了性能次优的界限。我们证明了我们的方法上的两个例子-机器人运动规划的机器人的目标的位置的可能性是实时更新，和城市空中交通管理问题的流动性。
2020-07-31 cs.AI cs.RO
Adaptive Approach to Enhance Machine Learning Scheduling Algorithms During Runtime Using Reinforcement Learning in Metascheduling Applications
University of Siegen（锡根大学）
本文提出在元调度器中集成基于强化学习的在线学习单元，以克服离线训练生成多调度图的局限性，实时扩展调度方案并优化性能，增强系统在动态安全关键环境中的鲁棒性。
2025-09-24 cs.AI cs.DC cs.LG
GraSS: Combining Graph Neural Networks with Expert Knowledge for SAT Solver Selection
McGill University（麦吉尔大学）
针对现有SAT求解器选择方法依赖人工特征、忽略图结构与领域知识的问题，提出融合三部图表示、定制化异质GNN及运行时敏感损失的GraSS方法，在两类基准上实现7个顶尖求解器池的运行时提升。
2024-05-17 cs.AI cs.LG
Neural Networks for Predicting Algorithm Runtime Distributions
University of Freiburg（弗莱堡大学）
许多用于解决人工智能（AI）中的困难组合问题的最先进算法包括随机性元素，这些元素导致运行时的高度变化，即使对于固定的问题实例也是如此。关于给定问题实例上的算法的所得运行时分布（RTD）的知识可以在各种元算法过程中被利用，例如算法选择、投资组合和随机重启。先前的工作已经表明，机器学习可以用于单独预测RTD的均值、中位数和方差。为了建立一个新的国家的最先进的预测RTD，我们证明了一个RTD的参数应该共同学习，神经网络可以做到这一点，通过直接优化RTD给定的运行时观察的可能性。在涉及SAT求解和AI规划的五种算法的实证研究中，我们表明，神经网络比以前的方法更好地预测未见过实例的真实RTD，甚至可以在每个训练实例只有很少的运行时观察时做到这一点。
2018-05-09 cs.AI cs.LG
Offline and Online Satisfaction Prediction in Open-Domain Conversational Systems
Emory University（埃默里大学）
预测会话系统中的用户满意度已经变得至关重要，因为口语会话助理在越来越复杂的领域中操作。在线满意度预测（即，预测用户在每轮之后对系统的满意度）可以被用作隐式用户反馈的新代理，并且提供了有希望的机会来创建更响应和有效的会话代理，其适应于用户与代理的参与。为了实现这一目标，我们提出了一个会话满意度预测模型，专门为开放域口语会话代理，称为ConvSAT。为了跨域稳健地运行，ConvSAT聚合了会话的多个表示，即会话历史，话语和响应内容，以及面向系统和用户的行为信号。我们首先在一个标准数据集（对话故障检测挑战）上在线校准ConvSAT性能，然后在一个大型的与真实用户对话的数据集上评估ConvSAT，这些数据集是作为Alexa Prize竞赛的一部分收集的。我们的实验结果表明，与以前报道的最先进的方法相比，ConvSAT显着提高了对两个数据集的离线和在线设置的满意度预测。我们研究的见解可以实现更智能的会话系统，这些系统可以实时适应推断出的用户满意度和参与度。
2020-06-02 cs.AI cs.HC cs.LG
