Mar, 2023

基于自然语言描述的优化问题制定：NL4Opt 竞赛

PDF
TL;DR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。
natural language for optimizationnl4opt competitionoptimization problemssemantic entitiesmachine learning applications
发现论文，激发创造
  • 一种自动化制定优化问题的新方法

    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。

    Feb, 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

  • 圣杯 2.0：从自然语言到约束模型

    利用预训练的大型语言模型从文本问题描述中提取模型的可能方法，并通过基于分解的提示方法与 GPT 模型展示了早期结果。

    Aug, 2023

  • 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

  • 自然语言导向的编程（NLOP）：走向软件创造的民主化

    通过自然语言导向的编程 (NLOP) 将软件需求和逻辑表达为自然语言，该方法简化了开发过程，降低了非专业人士参与软件项目的门槛，并加速了开发周期、增强了协作效果，并减少了需求规范中的误解。通过对各种编程模型的评估，本文强调自然语言将成为新的编程语言，并说明了 NLOP 如何促进软件工程的包容性和创新，从而改变软件工程的格局。

    Jun, 2024

  • 使用深度学习技术对竞赛编程问题进行标签预测

    通过使用文本分类技术来确定竞技编程问题的领域的方法，使用 LSTM、GRU 和 MLP 等多种模型对 Codeforces 网站上的 2400 个问题进行训练和测试，最高准确度达到 78.0%。

    Aug, 2023

  • 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

  • 利用大型语言模型诊断不可行的优化问题

    OptiChat 是基于 GPT-4 的自然语言系统，具有聊天机器人图形用户界面，可以通过互动对话提供关于无法实现的优化模型的自然语言描述，识别潜在的无法实现原因，并提供使模型可行的建议，实验证明 OptiChat 可以帮助专家和非专家用户改善对优化模型的理解，快速识别无法实现的原因。

    Aug, 2023

  • 非布尔形式主义优化统一框架

    该论文提出了一种名为扩展权重系统的统一框架，可消除不同自动推理语言之间的句法区别，并研究了所提出系统的形式属性，即可在该框架内捕获的范例的形式属性。

    Jun, 2022

  • 一个用于图形和成像中非线性最小二乘优化的领域特定语言

    该研究展示了一个可用于图像和视觉数据非线性最小二乘目标函数最优化的新语言 Opt，其数学描述非常简洁，但在实现过程中需要考虑到现代 GPU 在交互式应用中实时性能的优化。该语言生成的 GPU 求解器在精度、矩阵无关方法和求解器方法中均具有良好的折衷、性能优异，经实验证明，它们的性能竞争力可以与已发布的手动调优、应用特定的 GPU 求解器相媲美。

    Apr, 2016