Generalizing Constraint Models in Constraint Acquisition

要約

Constraint Acquisition (CA) は、ユーザーのモデリング プロセスを支援することにより、制約プログラミングの使用を広げることを目的としています。
ただし、ほとんどの CA メソッドには重大な欠点があります。CA メソッドは、特定の問題インスタンスに対する個別の制約の単一セットを学習しますが、これらの制約を問題のパラメーター化された制約仕様に一般化することはできません。
この論文では、同じ問題のさまざまなインスタンスをモデル化できるパラメーター化された制約モデルを学習する新しいアプローチである GenCon を提案することで、この制限に対処します。
この一般化を達成するために、個々の制約のレベルで統計学習手法を利用します。
具体的には、考えられるあらゆる制約とパラメータ化について、その制約が問題に属するかどうかを予測するために分類器をトレーニングすることを提案します。
次に、分類子の一部のクラスについて、決定ルールを抽出して解釈可能な制約仕様を構築する方法を示します。
これにより、任意のパラメータのインスタンス化に対するグラウンド制約の生成が可能になります。
さらに、任意の分類器で使用して、オンザフライで地上制約を生成できる、生成とテストのアプローチを紹介します。
私たちの経験的な結果は、私たちのアプローチが高精度を達成し、入力インスタンスのノイズに対して堅牢であることを示しています。

要約(オリジナル)

Constraint Acquisition (CA) aims to widen the use of constraint programming by assisting users in the modeling process. However, most CA methods suffer from a significant drawback: they learn a single set of individual constraints for a specific problem instance, but cannot generalize these constraints to the parameterized constraint specifications of the problem. In this paper, we address this limitation by proposing GenCon, a novel approach to learn parameterized constraint models capable of modeling varying instances of the same problem. To achieve this generalization, we make use of statistical learning techniques at the level of individual constraints. Specifically, we propose to train a classifier to predict, for any possible constraint and parameterization, whether the constraint belongs to the problem. We then show how, for some classes of classifiers, we can extract decision rules to construct interpretable constraint specifications. This enables the generation of ground constraints for any parameter instantiation. Additionally, we present a generate-and-test approach that can be used with any classifier, to generate the ground constraints on the fly. Our empirical results demonstrate that our approach achieves high accuracy and is robust to noise in the input instances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google