Probabilistic Argumentation with Epistemic Extensions and Incomplete Information
University College London(伦敦大学学院);University of Koblenz-Landau(科布伦茨-兰道大学)
抽象论证提供了一种有吸引力的方式来表示和评估论点和反驳。这种方法可以通过为每个参数分配概率来增强。对这项任务有各种不同的解释。在本文中,我们认为分配是指代理人相信论点是合理的,即,论证的前提和论证的主张从其前提的推导都是有效的。这就引出了认知扩展的概念,它是图中在某种程度上被相信的参数的子集(我们定义为概率分配大于0.5的参数)。我们考虑各种约束的概率分配。有些约束对应于标准的扩张概念,如接地或稳定的扩张,有些约束给我们新的扩张。
2014-05-14 cs.AI
Block Argumentation
Department of Mathematics and Computer Science, University of Perugia(佩鲁贾大学数学与计算机科学系)
我们设想了一个更高层次的双极抽象论证,用于非基本论证,例如:X反驳Y的真诚,事实上Y已经提出了他的论证来得出结论C,通过省略其他不会验证C的事实。涉及这种论证的论证要求我们潜在地将一个论证视为一个连贯的论证块,即一个论证本身可能是一个论证。在这项工作中,我们制定块论证作为一个具体的例子,邓式双极抽象论证的双重性质的论点。我们认为内部一致性的一个论点(ation)下的一组限制,图形(句法)和语义性质,并制定可接受性语义与他们有关。我们发现,经典的可接受性语义一般不持有良好的约束。特别是,未受攻击的论点的可接受性并不总是有道理的。此外,在完全语义中可能不存在唯一的最小成员,因此怀疑(接地)语义可能不是它的子集。为了保留集理论最小语义作为一个子集的完整语义,我们定义半接地语义。通过比较,我们展示了块论证的概念如何进一步概括结构化论证。
2019-01-18 cs.AI cs.LO
Deep Learning for Abstract Argumentation Semantics
National Police Lab AI, Netherlands Police(荷兰警察局人工智能实验室);Utrecht University(乌得勒支大学);Tilburg University(蒂尔堡大学)
在本文中,我们提出了一个基于学习的方法来确定接受的论点下几个抽象的论证语义。更具体地说,我们提出了一个论证图神经网络(AGNN),学习消息传递算法来预测参数被接受的可能性。实验结果表明,AGNN几乎可以完美地预测不同语义和规模下的可接受性,以及更大的论证框架。此外,分析的消息传递算法的行为表明,AGNN学习坚持基本原则的参数语义在文献中确定,因此可以训练预测扩展不同的语义-我们展示了后者如何可以做多扩展语义使用AGNN指导基本搜索。我们在https://github.com/DennisCraandijk/DL-Abstract-Argumentation上发布代码
2020-07-16 cs.AI cs.LG
Admissibility in Strength-based Argumentation: Complexity and Algorithms (Extended Version with Proofs)
Université Paris Cité(巴黎西岱大学)
最近,基于强度的论证框架(StrAF)已被提出来建模的情况下,一些定量的强度与参数。在这种情况下,应计的概念对应于集体攻击一个论点的论点集。一些语义已经被定义,这是敏感的应计项目的存在,集体击败他们的目标,而他们的个别元素不能。然而,到目前为止,只有表面的框架和语义进行了研究。事实上,现有的文献集中在适应稳定的语义StrAF。本文对可容许性语义的顺应性进行了研究和探讨。特别地,我们证明了文献中定义的强容许性不满足一个理想的性质,即Dung的基本引理。因此,我们提出了一个替代的定义,诱导语义,表现出预期的。然后,我们研究这些新的语义计算问题,特别是我们证明,推理的复杂性是类似的标准论证框架在几乎所有情况下,相应的决策问题的复杂性。然后,我们提出了一个翻译的伪布尔约束计算(强和弱)的扩展。最后,我们的方法,特别是显示,它的规模以及解决问题,提供一个扩展,以及枚举他们所有的实验评估。
2022-07-05 cs.AI
NLAS-multi: A Multilingual Corpus of Automatically Generated Natural Language Argumentation Schemes
Centre for Argument Technology, University of Dundee(邓迪大学论证技术中心);VRAIN, Universitat Politècnica de València(瓦伦西亚理工大学VRAIN研究院)
本文提出了一种多语言自然语言论证方案自动生成方法,构建了目前最大的公开语料库NLAS-multi,并提供了用于论证方案自动识别的基线与微调模型。
2024-02-22 cs.AI cs.CL
Rejection in Abstract Argumentation: Harder Than Acceptance?
Massachusetts Institute of Technology(麻省理工学院)
本文提出拒绝条件(RCs)用于抽象论辩框架,将每个论证关联逻辑程序,分析其计算复杂性(含树宽),发现拒绝AFs具有高表达性,导致多项式层次较高层级的问题。
2024-08-20 cs.AI cs.CC cs.LO
Strategic Argumentation Dialogues for Persuasion: Framework and Experiments Based on Modelling the Beliefs and Concerns of the Persuadee
University College London(伦敦大学学院);Scribe Labs(Scribe实验室);Cardiff University(卡迪夫大学)
说服力是人类智力的一个重要而复杂的方面。如果通过对话进行,提出好的论点,从而提出反驳,显然对成功说服的能力有重大影响。在特定的对话中,决定一个论点是否好的两个关键因素是目标受众对论点和反论点的信任程度,以及论点对目标受众关注的问题的影响。在本文中,我们提出了一个框架,建模说服他们的信念和关注,并利用这些模型在优化选择的说服对话中移动。我们的方法是基于蒙特卡罗树搜索,它允许实时优化。我们提供了一项与人类参与者的研究的实证结果,表明我们基于该技术的自动说服系统优于在其策略中不考虑信念和关注的基线系统。
2021-01-28 cs.AI
Change in Quantitative Bipolar Argumentation: Sufficient, Necessary, and Counterfactual Explanations
Umeå University(乌尔姆大学)
本文针对定量双极论证框架更新导致的推理变化问题,提出追踪主题论证强度偏序中不一致的形式化方法,识别充分、必要和反事实解释,并给出启发式搜索算法及实现。
2025-09-21 cs.AI cs.LO cs.MA
Choices and their Provenance: Explaining Stable Solutions of Abstract Argumentation Frameworks
University of Illinois(伊利诺伊大学);Gonzaga University(贡扎加大学)
本文提出一种通过识别最小关键攻击集来解释抽象论证框架稳定解溯源的新方法,将良基推导与选择步骤结合,以最小图修复诊断形式揭示稳定模型中的非确定性选择。
2025-06-01 cs.AI cs.SC
Proceedings 6th International Workshop on Local Search Techniques in Constraint Satisfaction
自2004年以来,LSCS是约束编程(CP)原则和实践国际会议的卫星研讨会。它致力于局部搜索技术在约束满足,并集中在局部搜索技术的各个方面,包括:新算法的设计和实现,混合随机-系统搜索,反应式搜索优化,自适应搜索,局部搜索建模,全局约束,灵活性和鲁棒性,学习方法,和具体应用。
2009-10-08 cs.AI
Decomposition During Search for Propagation-Based Constraint Solvers
Albert-Ludwigs-University Freiburg(弗莱堡阿尔伯特-路德维希大学);Saarland University(萨尔大学)
我们描述了分解过程中的搜索(DDS),与/或树搜索到基于传播的约束求解器的集成。该搜索算法将约束满足问题的子问题动态分解为独立的部分问题,避免了冗余工作。本文讨论了DDS如何与使基于传播的求解器成功的关键功能相互作用:约束传播,特别是对于全局约束,以及动态搜索算法。我们已经实现了DDS的Gecode约束编程库。两个应用,解决方案计数在图着色和蛋白质结构预测,体现了DDS在实践中的好处。
2008-06-11 cs.AI
Toward an automaton Constraint for Local Search
Uppsala University(乌普萨拉大学)
我们探讨了使用有限自动机来实现新的局部搜索约束的想法(这已经是基于约束的全局搜索中的一种成功技术)。我们展示了如何有可能保持递增的违反约束和它的决策变量从一个自动机,描述了一个地面检查器的约束。我们建立了我们的方法思想在现实生活中的人员排班问题的实用性,并表明它是有竞争力的方法[Pralong,2007]。
2009-10-07 cs.AI
Counting-Based Search: Branching Heuristics for Constraint Satisfaction Problems
Dynadec Europe
设计一种跨问题域可靠的约束规划启发式搜索算法是近年来的一个重要研究课题。本文主要研究一类候选算法:基于计数的搜索。这样的算法试图做出分支决策,通过确定每个单独约束的解决方案与该决策一致的比例来保留大多数解决方案。而大多数通用搜索算法在约束编程依赖于本地信息的水平上的个别变量,我们的搜索算法是基于更多的全球信息的约束水平。我们设计了几个算法,用于计算特定家庭的约束的解决方案的数量,并提出了一些搜索算法利用这些信息。本文的实验部分考虑了八个问题域,从完善的基准难题到排班和运动调度。初步的实证分析确定启发式maxSD作为一个强大的候选人,我们的建议。然后,我们评估后者对最先进的,包括最新的通用搜索算法,重新启动,和基于差异的树遍历。实验结果表明,基于计数的搜索一般优于其他通用算法。
2014-01-18 cs.AI
Transforming Constraint Programs to Input for Local Search
University of Leuven(卢森堡大学)
本文通过建立约束优化问题的对称性属性与局部搜索邻域之间的联系,自动从约束规范中生成邻域,用于IDP系统中的元启发式算法,并在六个经典优化问题上评估了生成的邻域。
2026-05-19 cs.AI
Local-search techniques for propositional logic extended with cardinality constraints
我们研究了局部搜索可满足性求解器扩展的基数原子命题逻辑,也就是说,表达式,提供明确的方式来模型的基数集的约束。将基数原子添加到命题逻辑的语言中有助于对搜索问题进行建模,并且通常会导致简洁的编码。我们提出了两个“本地”本地搜索求解器的理论在扩展语言。我们还描述了技术,以减少问题的标准命题可满足性,并允许我们使用现成的SAT求解器。我们对这些方法进行了实验研究。我们的总体发现是,专门为扩展语言设计的本地求解器比依赖于SAT求解器的间接方法执行得更好。
2003-10-31 cs.AI
A Constraint-directed Local Search Approach to Nurse Rostering Problems
University of Nottingham(诺丁汉大学)
在本文中,我们调查的杂交约束规划和局部搜索技术在一个大的邻域搜索方案解决高度约束的护士排班问题。正如研究所确定的那样,大型邻域搜索的一个关键部分是选择片段(邻域,即变量集),以迭代方式放松和重新优化。大邻域搜索的成功取决于这个确定的邻域的充分性,关于有问题的部分的解决方案分配和邻域大小的选择。我们研究了三种策略来选择不同大小的片段内的大邻域搜索方案。前两种策略是针对问题的性质而定制的。第三种策略更一般,使用来自软约束违反及其传播的成本信息作为选择添加到片段中的变量的指标。三种策略进行了分析和比较后,一个基准护士排班问题。令人鼓舞的结果表明,在混合方法的未来工作的可能性。
2009-10-07 cs.AI
Adapting Stochastic Search For Real-time Dynamic Weighted Constraint Satisfaction
State University of New York Institute of Technology(纽约州立大学理工学院)
这项工作提出了两个新的算法进行约束满足。第一个算法,DMaxWalkSat,是一个约束求解器专门用于解决动态,加权约束满足问题。第二种算法RDMaxWalkSat是DMaxWalkSat的衍生物,其已被修改为随时算法,因此支持实时约束满足。DMaxWalkSat的解决方案的质量和运行时间方面的性能优势,其父约束求解器,MaxWalkSat。RDMaxWalkSat显示支持随时操作。这些算法的引入为计算机科学领域带来了另一种工具,该工具自然地将问题表示为约束满足问题,其示例是鲁棒一致性算法。
2015-07-22 cs.AI
Mixtures of Deterministic-Probabilistic Networks and their AND/OR Search Space
本文介绍了混合网络,一个新的框架表示和推理的概率和确定性的信息。该框架结合了信任网络和约束网络,定义了语义和图形表示。我们还为图模型引入了与或搜索空间,并提出了一种新的线性空间搜索算法。这为理解单独处理约束信息的好处提供了基础,从而导致搜索空间的修剪。当约束部分是易处理的或有少量的解决方案时,使用混合表示可以比使用将约束模型化为条件概率表的纯信念网络指数地更有效。
2012-07-11 cs.AI
Rethinking the Soft Conflict Pseudo Boolean Constraint on MaxSAT Local Search Solvers
Huazhong University of Science and Technology(华中科技大学);University of Picardie Jules Verne(皮卡第儒勒-凡尔纳大学)
本文将完备 MaxSAT 求解器中的 SPB 约束引入局部搜索的子句加权机制,并设计自适应权重策略,提出 SPB-MaxSAT,实验表明其性能优异。
2024-01-19 cs.AI
Athanor: Local Search over Abstract Constraint Specifications
University of St Andrews(圣安德鲁斯大学);University of Dundee(邓迪大学);University of York(约克大学)
本文提出Athanor局部搜索求解器,通过直接处理抽象约束规范语言Essence,自动生成高质量邻域,避免了在底层约束模型中识别结构的困难,在组合优化问题上展现出优异性能。
2025-01-02 cs.AI
Branch-and-Prune Search Strategies for Numerical Constraint Solving
当求解非线性方程和不等式等数值约束时,求解器通常采用修剪技术,该技术在修剪步骤中从变量域中移除冗余值组合。为了找到完整的解集,大多数求解器交替使用修剪步骤和分支步骤,将每个问题分成子问题。这就形成了所谓的分支和修剪框架,众所周知的解决数值约束的方法。基本的分支和修剪搜索策略使用域二分代替分支步骤,称为二分搜索。一般来说,二分搜索在(i)解是孤立的情况下工作得很好,但在(ii)存在连续解的情况下(这通常发生在涉及不等式时),它可以进一步改进。在本文中,我们提出了一个新的分支和修剪搜索策略以及几个变种,它不仅允许产生更好的分支决策在后一种情况下,但也工作以及二分法搜索在前一种情况下。这些新的搜索算法使我们能够采用各种修剪技术的解决方案集的内部和外部近似的建设。我们的实验表明,这些算法加快求解过程往往由一个数量级或更多的解决方案的连续性问题时,同时保持相同的性能时,解决方案是孤立的二分法搜索。
2007-05-08 cs.AI
Dynamic Demand-Capacity Balancing for Air Traffic Management Using Constraint-Based Local Search: First Results
Uppsala University(乌普萨拉大学)
使用基于约束的局部搜索,我们有效地建模和有效地解决了平衡欧洲空域部分的交通需求的问题,同时确保其容量限制得到满足。一部分空域的交通需求是计划进入该空域的每小时航班数量,其容量是空中交通管制员可以工作的上限。目前,我们允许的需求-容量平衡的唯一形式是地面等待,即改变尚未空中飞行的起飞时间。对2030年欧洲飞行计划的实验表明,这种第一种形式的需求-容量平衡已经是可行的,不会引起太多的总延误,并且可以导致明显更好的需求-容量平衡。
2009-10-07 cs.AI
Graphs, Constraints, and Search for the Abstraction and Reasoning Corpus
University of Toronto(多伦多大学);Scale AI
抽象与推理语料库(ARC)旨在对一般人工智能算法的性能进行基准测试。ARC专注于广泛的泛化和少样本学习,这使得使用纯机器学习很难解决。一种更有前途的方法是在适当设计的领域特定语言(DSL)内执行程序合成。然而,这些也取得了有限的成功。我们提出了抽象推理与图形抽象(ARGA),一个新的以对象为中心的框架,首先表示使用图形的图像,然后执行一个正确的程序中的DSL是基于抽象的图形空间的搜索。这种组合搜索的复杂性是驯服通过使用约束采集,状态散列,禁忌搜索。一组广泛的实验证明了ARGA在相当有效地处理ARC的一些复杂的以对象为中心的任务方面的前景,产生了正确且易于理解的程序。
2022-12-02 cs.AI
Correlation Heuristics for Constraint Programming
School of Computing National University of Singapore(新加坡国立大学计算机学院)
有效的通用搜索策略是约束编程中的一个重要组成部分。我们引入了一个新的想法,即使用变量之间的相关性来指导搜索。变量相关性的测量和维护使用域的变化在约束传播。我们提出了两个变量的相关矩阵,crbs-sum和crbs-max的基础上。我们评估我们的相关算法与众所周知的算法,即DOM/WDEG,基于影响的搜索和基于活动的搜索。在大量基准测试集上的实验表明,我们的相关算法与其他算法相比具有竞争力,并且在许多系列上都是最快的。
2018-05-24 cs.AI
Propagators and Violation Functions for Geometric and Workload Constraints Arising in Airspace Sectorisation
Uppsala University(乌普萨拉大学)
空域扇区化将给定空域划分为扇区,受到几何约束和工作负载约束,使得一些成本度量最小化。我们对空域分区中出现的限制进行了研究。对于每一个约束,我们给出了一个分析的系统搜索和随机局部搜索下所需的算法和性能。
2014-01-29 cs.AI
BalMCTS: Balancing Objective Function and Search Nodes in MCTS for Constraint Optimization Problems
Sun Yat-sen University(中山大学)
本文提出BalMCTS,一种基于MCTS的启发式神经网络算法,通过同时搜索与训练并利用图神经网络编码COP,以快速找到最优或近优解,实验显示在随机实例上差距小于17.63%且搜索节点减少小于5%。
2023-12-26 cs.AI
A new constraint programming model and a linear programming-based adaptive large neighborhood search for the vehicle routing problem with synchronization constraints
VNU University of Engineering and Technology(越南国立大学工程技术大学);Université de Montréal(蒙特利尔大学);CIRRELT(企业物流研究中心);École Polytechnique de Montréal(蒙特利尔综合理工学院)
我们考虑一个车辆路径问题,寻求最小化成本的时间窗口和同步约束。在这个问题中,车队分为常规车辆和特殊车辆。一些客户需要两辆车的服务,其在客户处的开始服务时间是同步的。尽管其重要的现实世界的应用,这个问题很少在文献中研究。为了解决这个问题,我们提出了一个约束规划(CP)模型和自适应大邻域搜索(ALNS),其中插入算子的设计是基于求解线性规划(LP)模型,以检查插入的可行性。还提出了一些加速技术,以显着减少计算时间。计算实验表明,我们的新的CP模型发现更好的解决方案比现有的基于CP的ANLS,当使用在小的实例与25个客户和更短的运行时间。我们的LP为基础的ALNS占主导地位的cp-ALNS,在解决方案的质量,当它提供更好的目标值的解决方案,平均而言,所有实例类。这表明了使用线性规划而不是约束规划的优势,当处理具有相对严格约束的车辆路径问题时,这通常被认为是更有利于基于CP的方法。
2019-10-18 cs.AI
Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study
本文提出一种针对一阶逻辑论证的多级相似性框架,结合扩展公理基础、四层参数模型及上下文加权机制,以提升论证相似性分析的准确性与可解释性。
2026-04-14 cs.AI cs.LO
Intelligent Search of Correlated Alarms for GSM Networks with Model-based Constraints
为了控制数据采掘的过程,集中于我们感兴趣的事物,各种约束被加入到数据采掘的算法中。然而,发现报警数据库中的相关报警需要深域约束。因为相关告警在很大程度上依赖于网络的逻辑和物理架构。因此,我们使用网络模型作为算法的约束,包括范围约束,内部相关约束和内部相关约束,在我们提出的算法称为SMC(搜索与模型为基础的约束)。实验结果表明,带内相关约束和互相关约束的SMC算法比不带约束的SMC算法的速度提高了2倍左右。
2002-04-29 cs.AI cs.NI
Intelligent search strategies based on adaptive Constraint Handling Rules
自适应约束处理与约束处理规则(约束处理规则)的最先进的实现允许智能搜索策略的应用,以解决约束满足问题(CSP)。本报告比较了改进版本的冲突导向的backjumping和两个变种的动态回溯相对于时间回溯的一些AIM的情况下,这是一个基准集的随机3-SAT问题。因此,在Java中与这些不同的搜索策略相结合的布尔约束求解器的并行实现与在SICStus Prolog中与时间回溯相结合的相同布尔约束求解器的并行实现进行比较。这一比较表明,在搜索过程中增加“情报”可能会大大减少搜索步骤的数量。此外,它们的Java实现的运行时在大多数情况下比按时间顺序回溯的实现更快。更具体地说,冲突导向的反向跳转甚至比SICStus Prolog实现的时间回溯更快,尽管我们的Java实现缺少SICStus Prolog系统中的优化。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2004-11-18 cs.AI cs.PL
Breaking Symmetries in Graph Search with Canonizing Sets
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
有许多复杂的组合问题涉及到寻找满足给定约束的无向图。这些问题往往是极具挑战性的,因为它们的解决方案的同构表示的大量。本文提出了一种有效的、紧凑的、完全对称破缺的小图搜索约束。枚举这些对称性破缺生成所有且仅生成非同构解。对于小的搜索问题,与多达$10$顶点,我们计算实例独立的对称破缺约束。对于较小的搜索问题,有大量的顶点,我们证明了计算的实例相关的约束是完整的。我们说明了应用完全对称破缺的限制,以延长两个已知的序列从OEIS相关的图枚举。我们还展示了我们的方法的推广在完全可互换矩阵搜索问题中的应用。
2016-02-04 cs.AI cs.DM
A Quantum Search Approach to Magic Square Constraint Problems with Classical Benchmarking
本文提出量子搜索方法解决魔术方阵约束问题,通过量子幅值放大提升效率,结合经典预处理与量子编码,对比经典暴力法验证理论优势。
2026-04-06 cs.AI quant-ph
Language Generation via Combinatorial Constraint Satisfaction: A Tree Search Enhanced Monte-Carlo Approach
Purdue University(普渡大学);ByteDance AI Lab(字节跳动人工智能实验室)
在复杂约束条件下生成自然语言是实现可控文本生成的一个原则性表述。我们提出了一个框架,允许指定的组合约束的句子生成。我们提出了TSMH,一个有效的方法来生成高似然句子相对于一个预先训练好的语言模型,同时满足约束。我们的方法是高度灵活的,不需要特定任务的培训,并利用高效的约束满足解决技术。为了更好地处理组合约束,树搜索算法被嵌入到马尔可夫链蒙特卡罗(MCMC)的建议过程中,以探索满足更多约束的候选人。与现有的MCMC方法相比,我们的采样方法具有更好的混合性能。实验表明,TSMH在多个语言生成任务上取得了一致的显著改进。
2020-11-30 cs.AI cs.CL
LLMs as Debate Partners: Utilizing Genetic Algorithms and Adversarial Search for Adaptive Arguments
Birla Institute of Technology and Science, Pilani(毕拉理工学院皮尔拉分校)
本文提出DebateBrawl平台,融合LLM、遗传算法与对抗性搜索,实现自适应辩论,实验显示AI得分2.72优于人类2.67,事实准确率达92%,显著提升用户辩论技能。
2024-12-09 cs.AI cs.CL cs.CY
Combining Relational Algebra, SQL, Constraint Modelling, and Local Search
本文的目标是提供一个强大的约束建模和关系数据库管理系统之间的集成。为此,我们建议扩展标准的查询语言,如关系代数和SQL,通过添加约束建模功能。特别是,我们提出了两种语言,这是特别适合于组合问题的非确定性扩展。非确定性是通过猜测算子引入的,它声明一组关系具有任意扩展。这个新的运算符导致语言具有更高的表达能力,能够表达复杂性类NP中的所有问题。给出了使数据复杂度多项式化的一些语法限制。这两个扩展的有效性证明了通过几个例子。目前的实现,用Java编写的本地搜索技术,描述。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2006-01-11 cs.AI cs.LO
Learning Variable Ordering Heuristics for Solving Constraint Satisfaction Problems
Shandong University(山东大学);Singapore Institute of Manufacturing Technology(新加坡制造技术研究院);Nanyang Technological University(南洋理工大学);Southwest Jiaotong University(西南交通大学)
回溯搜索算法是求解约束满足问题的常用算法。回溯搜索的效率在很大程度上取决于变量排序算法。目前,最常用的化妆品是基于专业知识手工制作的。在本文中,我们提出了一种基于深度强化学习的方法来自动发现新的变量排序算法,这些算法更适合于给定的CSP实例类。我们表明,直接优化的搜索成本是很难引导,并建议优化的预期成本达到一个叶节点的搜索树。为了捕捉变量和约束之间的复杂关系,设计了一种基于图神经网络的CSP表示方案,可以处理不同大小和约束条件的CSP实例。随机CSP实例上的实验结果表明,学习的策略在最小化搜索树大小方面优于经典的手工算法,并且可以有效地推广到比训练中使用的更大的实例。
2021-12-25 cs.AI cs.LG
Embedding Models for Stance-Aware Argument Retrieval
Imperial College London(帝国理工学院)
本文针对立场感知的论证检索任务,发现现有稠密嵌入模型存在主题偏好、过度关注极性关键词等问题,通过引入诊断指标并提出结合平衡论证课程与立场反转论证的数据中心方案,缓解了模型过度纠正问题,提升了立场感知的论证检索效果。
2026-08-31 cs.AI cs.CL
Decoupling Generation and Evaluation for Parallel Greedy Best-First Search(extended version)
针对受限并行贪心最佳优先搜索中线程需空闲等待符合约束的扩展状态、约束执行成本高的问题,提出将状态生成与评估解耦的改进方法,显著提升状态评估速率,优化搜索性能。
2025-06-17 cs.AI cs.DC cs.DS
Constraint-Enhanced Physical Search through Correlation Matching
SOBIN Institute LLC(SOBIN研究所)
本文提出约束增强物理搜索原理,通过将探索的时间相关性与约束诱导的空间相关性匹配,利用最小拉锯战赌博机模型(TOW)证明守恒律将局部观测转化为跨选项的差异证据,而时间相关驱动控制探索顺序,从而提升搜索效率。
2026-06-02 cond-mat.stat-mech cs.AI nlin.AO
One Model, Any CSP: Graph Neural Networks as Fast Global Search Heuristics for Constraint Satisfaction
RWTH Aachen(亚琛工业大学)
我们提出了一个通用的图神经网络架构,可以训练作为一个端2端搜索启发式的任何约束满足问题(CSP)。我们的体系结构可以通过策略梯度下降进行无监督训练,以纯粹的数据驱动方式为任何CSP生成特定于问题的算法。该方法是基于一种新的图形表示CSP,这是通用的和紧凑的,使我们能够处理每一个可能的CSP实例与一个GNN,无论约束arity,关系或域的大小。与以前的基于RL的方法不同,我们在全局搜索动作空间上操作,并允许我们的GNN在随机搜索的每一步中修改任何数量的变量。这使得我们的方法能够适当地利用GNN的固有并行性。我们进行了一个彻底的实证评估,我们从随机数据,包括图着色,MaxCut,3-SAT和MAX-k-SAT中学习著名的和重要的CSP的算法。我们的方法优于以前的神经组合优化方法的大幅利润。它可以在测试实例上与传统的搜索算法竞争,甚至改进传统的搜索算法,这些测试实例比训练过程中看到的要大几个数量级,结构上也更复杂。
2022-08-22 cs.AI cs.LG cs.NE
Learning logic programs by discovering where not to search
University of Oxford(牛津大学)
归纳逻辑程序设计(ILP)的目标是寻找一个概括训练样本和背景知识(BK)的假设。为了提高性能,我们引入了一种方法,在搜索假设之前,首先发现不搜索的地方。我们使用给定的BK来发现对假设的约束,例如一个数不能既是偶数又是奇数。我们使用的约束引导约束驱动的ILP系统。我们在多个领域(包括程序合成和游戏)的实验表明,我们的方法可以(i)大大减少学习时间高达97%,和(ii)规模的域与数百万的事实。
2022-12-05 cs.AI cs.LG cs.LO
LaCAM: Search-Based Algorithm for Quick Multi-Agent Pathfinding
Tokyo Institute of Technology(东京工业大学)
我们提出了一种新的多智能体寻路(MAPF)的完整算法称为懒惰的约束添加搜索MAPF(LaCAM)。MAPF是在图上为多个智能体寻找无碰撞路径的问题,是多机器人协调的基础。LaCAM使用两级搜索来快速找到解决方案,即使有数百个代理或更多。在低层,它搜索关于代理的位置的约束。在高层,它搜索所有代理的位置序列,遵循由低层指定的约束。我们详尽的实验表明,LaCAM是可比的,或优于国家的最先进的次优MAPF算法在各种情况下,关于成功率,规划时间,和解决方案的总成本的质量。
2022-11-24 cs.AI cs.MA cs.RO
Max-value Entropy Search for Multi-Objective Bayesian Optimization with Constraints
Washington State University(华盛顿州立大学)
我们考虑的问题,约束多目标黑箱优化使用昂贵的功能评估,其目标是近似的真正的Pareto集的解决方案,满足一组约束,同时最小化的功能评估的数量。例如,在航空动力系统设计应用中,我们需要找到在总能量和质量之间进行权衡的设计,同时满足电机温度和电池电压的特定阈值。这种优化需要执行昂贵的计算模拟来评估设计。在本文中,我们提出了一种新的方法称为{ \em最大值熵搜索多目标优化约束(MESMOC)}来解决这个问题。MESMOC采用基于输出空间熵的获取函数来有效地选择用于评估的输入序列,以在满足约束的同时发现高质量的帕累托集解。我们应用MESMOC两个现实世界的工程设计应用程序,以证明其有效性超过国家的最先进的算法。
2020-11-23 cs.AI cs.LG stat.ML
HardCoRe-NAS: Hard Constrained diffeRentiable Neural Architecture Search
Alibaba Group(阿里巴巴集团)
神经网络的实际使用通常需要遵守对延迟、能量和存储器等的多个约束。找到拟合网络的一种流行方法是通过约束神经结构搜索(NAS),然而,以前的方法只能柔和地执行约束。因此,所得到的网络不完全遵守资源约束,其准确性受到损害。在这项工作中,我们解决了这个问题,通过引入硬约束可出租NAS(HardCore-NAS),这是基于一个准确的制定预期的资源需求和可扩展的搜索方法,满足整个搜索的硬约束。我们的实验表明,HardCore-NAS生成国家的最先进的架构,超越其他NAS方法,同时严格满足硬资源约束,无需任何调整。
2021-02-23 cs.AI cs.CV cs.LG
Reinforcement Learning Constrained Beam Search for Parameter Optimization of Paper Drying Under Flexible Constraints
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Worcester Polytechnic Institute(伍斯特理工学院);University of Michigan(密歇根大学)
提出RLCBS方法,在推理时灵活施加约束并优化纸张干燥参数,较NSGA-II更优且速度提升2.58倍以上。
2025-01-21 cs.AI cs.LG cs.SY
On Continuous Local BDD-Based Search for Hybrid SAT Solving
Rice University(莱斯大学)
我们探讨了连续局部搜索(CLS)在SAT求解的潜力,提出了一种新的方法来寻找一个混合系统的布尔约束的解决方案。该算法是基于CLS结合置信传播二叉决策图(BDD)。我们的框架接受所有的布尔约束,承认紧凑的BDD,包括对称布尔约束和小系数伪布尔约束作为有趣的家庭。我们提出了一种新的算法,有效地计算CLS所需的梯度。我们研究我们的多功能CLS求解器,GradSAT的能力和局限性,通过将其应用于许多基准测试实例。实验结果表明,GradSAT可以是一个有用的除了现有的SAT和MaxSAT求解器解决布尔可满足性和优化问题的投资组合。
2021-06-12 cs.AI cs.IT cs.LG