Feb, 2023

一种自动化制定优化问题的新方法

PDF
TL;DR本文介绍了我们团队在 Natural Language for Optimization (NL4Opt) NeurIPS 2022 比赛中的获奖方案，分别采用了命名实体识别和生成模型等方法，成功解决了对应的子任务，并在比赛中获得了不错的成绩。
natural language for optimizationneurips 2022optimizationnamed entity recognitiongeneration
发现论文，激发创造
  • 基于自然语言描述的优化问题制定：NL4Opt 竞赛

    利用自然语言处理方法实现优化问题的自动解决，涉及 NL4Opt 比赛和相关任务数据集，以及通过该比赛所展示的相应解决方案。

    Mar, 2023

  • 自动识别命名实体并突出显示以自动生成优化问题

    本研究使用机器学习将线性规划的数学问题描述转化成相应的数学公式，利用输入中的命名实体和增强输入突出这些实体，并在 NL4Opt 竞赛中取得了最高准确率和第一名的成绩。

    Dec, 2022

  • OPD@NL4Opt：优化问题命名实体识别任务的组合方法

    本文在 NL4Opt 竞赛的子任务 1（NER 任务）中提出了一种集成方法。我们首先在竞赛数据集上对预训练语言模型进行微调，然后采用差分学习率和对抗性训练策略来增强模型的泛化能力和鲁棒性。此外，我们还采用模型集成方法进行最终预测，在 NER 任务中获得了第二名的好成绩，达到了微平均 F1 分数 93.3％ 的水平。

    Jan, 2023

  • 标签嵌入和明确定义中间表示改善问题描述的自动生成

    该研究提出一种自动将优化问题转化为规范表述的方法，并引入实体标签嵌入来利用给定的实体标签信息，该方法通过消融实验证明了其有效性，在 NeurIPS 2022 NL4Opt 竞赛子任务 2 中位列第二名。

    Dec, 2022

  • 文本表征的贝叶斯优化

    本文介绍了一种基于贝叶斯优化的文本输入表示方法的优化方法，用此方法可以使标准线性模型在各种话题分类和情感分析问题上与基于潜变量模型或神经网络的先进方法相竞争，这种方法是构建原始文本黑盒 NLP 系统的第一步.

    Mar, 2015

  • 一种面向可持续发展的人在环路优化自动形式化方法

    这篇论文介绍了一种利用大型语言模型（LLMs）解决个性化能源相关问题的自然对话方法，通过增加优化求解器，提升 LLMs 对用户需求和偏好的理解和响应能力，将自然语言任务规范自动转化为优化实例，分析、解释和解决各种特定实例的能源相关问题，进而推动可持续能源实践定制化。

    Aug, 2023

  • 利用问题描述自动生成优化模型增强运筹学

    介绍了一种用于优化问题建模的增强智能系统，该系统使用控制生成技术生成优化问题的自动建议，并提供用户界面进行编辑和验证，该系统经过新创建的数据集的测试表明其有效性。

    Sep, 2022

  • 利用自然监督进行语言表示学习和生成

    本论文研究了三个方面的工作：如何提高预训练模型在 NLP 任务中的性能，在维基百科和释义上利用语言结构以提取知识，以及定制文本资源以建立挑战性的评估任务。

    Jul, 2022

  • 自然语言规格说明到数学程序的综合

    研究评估了使用数据增强、后处理和代码生成模型 CodeT5 合成数学程序的效果，通过应用线性规划规则来评分和纠正光束，该方法基于自然语言规范实现自动化建模。实验结果表明，在使用这些增强方法后，CodeT5 基础版本的执行准确率为 0.73，明显优于 ChatGPT 的零 - shot 执行准确率 0.41 和 Codex 的 0.36。

    Mar, 2023

  • 面向领域的去噪序列到序列模型微调在自然语言摘要中的应用

    通过自然语言处理技术，对长文本数据进行自动摘要，采用数据增强和微调等策略进行优化，可以大幅提高摘要的准确性，本文采用最先进的 NLP 模型 BART 进行研究，并提供了一种端到端的优化策略，使得在金融、医疗或其他特定领域的数据上，其 ROUGE-1 指标达到了绝对提升 5-6% 的水平。

    Apr, 2022