Guided Bottom-Up Interactive Constraint Acquisition

要約

制約取得 (CA) システムは、制約充足問題のモデル化を支援するために使用できます。
(インタラクティブ) CA では、システムに一連の候補制約が与えられ、候補の中から適切な制約を見つけることを目的としてユーザーにクエリを送信します。
現在の対話型 CA アルゴリズムには、少なくとも 2 つの大きなボトルネックがあります。
まず、収束するには、ユーザーに多数のクエリを尋ねる必要があります。
第 2 に、候補制約の大きなセットを処理することができません。これは、ユーザーの待ち時間が長くなるからです。
このため、ユーザーはシステムがどのような制約を考慮する必要があるかについて、かなり正確な知識を持っている必要があります。
このペーパーでは、CA の効率を向上させる 2 つの新しい方法を提示することで、これらのボトルネックを軽減します。
まず、GrowAcq というボトムアップ アプローチを導入します。これにより、ユーザーの最大待ち時間が短縮され、システムがはるかに大きな候補制約セットを処理できるようになります。
また、ターゲット制約ネットワークがスパースではない問題に対するクエリの総数も削減されます。
次に、クエリ生成をガイドする確率ベースの方法を提案し、それが収束に必要なクエリの数を大幅に削減できることを示します。
また、クエリ生成でオープンにアクセス可能な CP ソルバーの使用を可能にし、公開されていないメンテナンスが不十分なカスタム ソルバーに対する既存のメソッドの依存関係を取り除く新しい手法も提案します。
実験結果は、私たちが提案した方法が最先端の CA 方法よりも優れたパフォーマンスを示し、クエリの数を最大 60% 削減することを示しています。
私たちの方法は、候補制約のセットが文献で一般的に使用されているものよりも 50 倍大きい場合でもうまく機能します。

要約(オリジナル)

Constraint Acquisition (CA) systems can be used to assist in the modeling of constraint satisfaction problems. In (inter)active CA, the system is given a set of candidate constraints and posts queries to the user with the goal of finding the right constraints among the candidates. Current interactive CA algorithms suffer from at least two major bottlenecks. First, in order to converge, they require a large number of queries to be asked to the user. Second, they cannot handle large sets of candidate constraints, since these lead to large waiting times for the user. For this reason, the user must have fairly precise knowledge about what constraints the system should consider. In this paper, we alleviate these bottlenecks by presenting two novel methods that improve the efficiency of CA. First, we introduce a bottom-up approach named GrowAcq that reduces the maximum waiting time for the user and allows the system to handle much larger sets of candidate constraints. It also reduces the total number of queries for problems in which the target constraint network is not sparse. Second, we propose a probability-based method to guide query generation and show that it can significantly reduce the number of queries required to converge. We also propose a new technique that allows the use of openly accessible CP solvers in query generation, removing the dependency of existing methods on less well-maintained custom solvers that are not publicly available. Experimental results show that our proposed methods outperform state-of-the-art CA methods, reducing the number of queries by up to 60%. Our methods work well even in cases where the set of candidate constraints is 50 times larger than the ones commonly used in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google