Jan, 2014

伪布尔约束的 BDDs 新视角

PDF
TL;DR该研究论文主要研究了基于二元决策图的 Pseudo-Boolean 约束编码技术，提出了使用系数分解方法克服爆炸性增长问题，并给出了第一个多项式广义弧一致的 ROBDD 编码算法。
pseudo-boolean constraintssat encoding techniquesbinary decision diagramspolynomial bddsrobdd-based encoding
发现论文，激发创造
  • 使用 MaxSAT 优化二进制决策图以进行分类

    本文提出了基于 SAT 的方法学习最优二元决策图（BDD），以更好地实现可解释的机器学习模型，并给出了一种整合兼容子树的方法，该方法与现有方法相比在预测质量和可解释性方面具有明显的优势。

    Mar, 2022

  • 伪布尔约束的广义总计数器编码

    提出了一种基于总和器编码的伪布尔约束通用编码方法（GTE），该方法不依赖系数的数量，且在大伪布尔约束中表现优越，同时在无此特征的约束下也具有竞争力。

    Jul, 2015

  • 句子决策图的相对简洁性

    本文旨在确定哪些布尔函数可以由小型的 SDDs 表示，同时将多项式大小的布尔函数表示集合与来自 Darwiche 和 Marquis 经典知识编译地图的表示类型进行比较。最主要的结果是通过等效的不明确的非确定性 OBDDs 对 SDDs 进行准多项式仿真，回答了 SDDs 和超过 OBDDs 的 FBDDs 相对简洁性之间的一个开放问题。

    Feb, 2018

  • 学习选择 SAT 编码用于伪布尔和线性整数约束

    通过使用监督式机器学习方法，探讨选择伪布尔约束和线性约束的编码问题，我们展示了使用标准特征集和专门设计的特征集可以有效地选择编码，甚至对于未见过的问题类别也能取得良好的结果，相比使用相同特征集的 AutoFolio 结果有优势。我们讨论了实例特征对选择最佳编码任务的相对重要性，并比较了多种机器学习方法的变体。

    Jul, 2023

  • MORBDD：多目标受限二进制决策图的稀疏学习

    通过机器学习方法，本研究使用二进制决策图在多准则决策中精确求解多目标整数线性规划问题，发现适用于单目标问题的局限二进制决策图可通过 ML 方法进行改进，产生具有优秀近似精度且规模较小的稀疏解。

    Mar, 2024

  • 精确模型计数的下界及在概率数据库中的应用

    本文研究了用于准确计算布尔公式的确定性决策图 (d-DNNF) 表示法，将其转换为自由二叉决策图 (FBDD) 用于提供计算上限，并证明了决策 - DNNF 的指数下限，从而提高了关联概率数据库的计算效率。

    Sep, 2013

  • SDDs 比 OBDDs 更为简洁

    本文介绍了一种名为 sentential decision diagrams (SDDs) 的表达语言，证明了在布尔函数的表示中 SDDs 比 ordered binary decision diagrams (OBDDs) 更简洁，该结论解决了知识编译中的一个开放性问题，并且在人工智能和知识编译等领域有广泛的应用。

    Jan, 2016

  • 关于二元神经网络可计算性表示的研究

    本文研究了如何将一个二进制神经网络的决策函数编译成可行的表示形式，如有序二进制决策图和命题决策图，并讨论了使用这些表示形式来验证神经网络的鲁棒性和计算期望鲁棒性的方法。此外，本文还提出了一种基于伪多项式时间算法编译单个神经元的高效方法，并在手写数字数据集中展示了两个神经网络的高准确度但鲁棒性不同的案例研究。最后，实验证明使用命题决策图可以获得神经网络的紧凑表示形式。

    Apr, 2020

  • 逻辑谜题中的非对称性探究：利用 Zero-suppressed Decision Diagrams 进行符号化模型检验的动态认知逻辑

    本研究比较了不同 Zero-suppressed Decision Diagrams 变体在多智能体系统的符号编码中的记忆使用情况，结果表明使用合适的 ZDDs 可以显著减少 BDDs 的记忆使用量。

    Jul, 2023

  • 基于理论的规范决策图

    决策图是一种有效表达命题公式的强大工具，本文介绍了一种通用技术将决策图应用于 SMT 级别，并可产生理论规范的 T-DD，从而解决了现有技术的一些限制。

    Apr, 2024