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
研究在有时间限制的情况下,如何在重构信念网络与实施解决方案之间平衡时间分配;使用启发式搜索方法确定重构时间与执行推理过程时间之间的理想分配,依据偏好模型选择最佳重构时间。
Mar, 2013
该论文研究 Constraint Model 的性能如何通过将子问题转换为单个表约束来提高,提出了识别有前途的候选子问题的启发式方法,并自动将它们转换为表约束。在 Savile Row 约束建模工具中,完全自动地发现有前途的子问题并将其制表以避免多次制表。通过表述约束表达式的简单算法,我们对早期的制表工作中使用的基准问题表现出良好的表现,对于一些新的问题类别也表现出良好的效果。在某些情况下,完全自动的过程导致求解器性能增长数个数量级。
Feb, 2022
本文提出了一种基于解释性约束的学习框架,利用统计学习理论分析了这种解释如何提高模型的学习效果。首先定义了一种叫做 EPAC 模型的概念,其中这些约束在新数据的期望中成立,然后通过传统学习理论工具对这类模型进行了分析,并对一类梯度信息进行了限制,最后提出了一种基于变分逼近的算法来实现这种框架,并在大量实验中展示了其优越性。
Mar, 2023
该研究使用深度强化学习方法提出了一个新的线性规划模型,该模型能够有效地减少求解时间和迭代次数,优化了现有的线性规划求解器的性能。
Jan, 2022
该论文对经典规划的重组技术的大量研究进行了系统综述,旨在提供该领域的整体视图,并促进未来的研究。作为一个有形的结果,我们提供了现有技术分类的定性比较,这可以帮助研究人员获得它们的优点和缺点的概述。
Jan, 2023
介绍了一种基于神经网络的查询重构系统,使用强化学习训练神经网络,动作是选择术语以建立重构查询,回报是文档召回率,我们在三个数据集上评估了我们的方法,相对 Recall 方面有 5-20% 的改进。此外,我们提供了一种简单方法来估算模型在特定环境中的保守上限性能,并验证存在很大的改进空间。
Apr, 2017
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
本文提出了一个利用贝叶斯模型为决策性控制搜索和推理算法提供通用框架的方法,并通过结构化约束满足问题的一种难类任务,演示了该方法的应用。本文进一步探讨了如何通过学习贝叶斯模型来创建动态截止策略,以及在哪些情况下动态重启策略能够超越理论上最优的固定策略。
Jan, 2013
该研究提出了一种基于冲突检测和最大松弛的迭代方法,用于在交互式约束系统中计算对立解释,从而帮助用户理解可以应用于其现有约束的更改以使其满足约束条件。
Apr, 2022