高效的多约束获取
人工智能
2021-09-14 v1
摘要
诸如 QuAcq 和 MultiAcq 的约束获取系统可以通过对（部分）示例分类为正或负，来协助非专家用户将其问题建模为约束网络。对于每个负例，前者聚焦于目标网络中的一个约束，而后者能学习最大数量的约束。这两种算法都遇到问题的获取过程的两个瓶颈是：达到收敛所需的大量查询，以及生成查询所需的高 CPU 时间，尤其在接近收敛时。在本文中，我们提出算法和启发式方法来处理这两个问题。我们首先描述一个名为 MQuAcq 的算法，它将 MultiAcq 的主要思想融入 QuAcq，从而产生一种在负例后学习与 MultiAcq 一样多约束但复杂度更低的方法。我们还给出了对所提算法的详细理论分析。然后我们将注意力转向查询生成，这是获取过程中重要但被相当忽视的部分。我们描述了典型约束获取系统中查询生成如何运作，并提出了提高其效率的启发式方法。来自多个领域的实验表明，我们集成了所有新技术的所得算法不仅生成的查询比 QuAcq 和 MultiAcq 少得多，而且平均查询生成时间和总运行时间都远快于两者，并且大幅缓解了过早收敛问题。
引用
@article{arxiv.2109.05920,
title = {Efficient Multiple Constraint Acquisition},
author = {Dimosthenis C. Tsouros and Kostas Stergiou},
journal= {arXiv preprint arXiv:2109.05920},
year = {2021}
}