Learning to Learn in Interactive Constraint Acquisition

要約

制約プログラミング (CP) は、複雑な組み合わせ問題をモデル化して解決するためにうまく使用されています。
ただし、モデリングは多くの場合簡単ではなく、専門知識が必要であるため、これが広範な採用のボトルネックとなっています。
Constraint Acquisition (CA) の目標は、モデルを自動的に学習することでユーザーを支援することです。
(インタラクティブ) CA では、これは、たとえば部分的な解決策が (不特定の) 制約を満たすかどうかを尋ねるなど、ユーザーにインタラクティブにクエリを送信することによって行われます。
インタラクティブ CA メソッドは制約を学習しますが、目標は正確な表現を学習することであるため、学習は記号概念の学習に関連します。
ただし、モデルを学習するには依然として多数のクエリが必要であり、これが大きな制限となります。
このペーパーでは、インタラクティブ CA で初めて統計的 ML 手法を活用することで、CA と機械学習 (ML) の接続を強化することで、この制限を軽減することを目指しています。
私たちは、確率的分類モデルを使用して、対話型 CA がより有望なクエリを生成できるようにガイドすることを提案します。
関係ベースの機能とスコープベースの機能の両方を使用して、バイアスからの候補式が問題の制約であるかどうかを予測する分類器をトレーニングする方法について説明します。
次に、対話型 CA のすべての層 (クエリの生成、スコープの検出、および最下位レベルの制約の検出) で予測をどのように使用できるかを示します。
さまざまな分類子を使用して提案された方法を実験的に評価し、私たちの方法が最先端技術を大幅に上回り、収束に必要なクエリの数が最大 72% 減少することを示しました。

要約(オリジナル)

Constraint Programming (CP) has been successfully used to model and solve complex combinatorial problems. However, modeling is often not trivial and requires expertise, which is a bottleneck to wider adoption. In Constraint Acquisition (CA), the goal is to assist the user by automatically learning the model. In (inter)active CA, this is done by interactively posting queries to the user, e.g., asking whether a partial solution satisfies their (unspecified) constraints or not. While interac tive CA methods learn the constraints, the learning is related to symbolic concept learning, as the goal is to learn an exact representation. However, a large number of queries is still required to learn the model, which is a major limitation. In this paper, we aim to alleviate this limitation by tightening the connection of CA and Machine Learning (ML), by, for the first time in interactive CA, exploiting statistical ML methods. We propose to use probabilistic classification models to guide interactive CA to generate more promising queries. We discuss how to train classifiers to predict whether a candidate expression from the bias is a constraint of the problem or not, using both relation-based and scope-based features. We then show how the predictions can be used in all layers of interactive CA: the query generation, the scope finding, and the lowest-level constraint finding. We experimentally evaluate our proposed methods using different classifiers and show that our methods greatly outperform the state of the art, decreasing the number of queries needed to converge by up to 72%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google