هوش مصنوعی
SAT-ACT می‌کوشد راهبرد شاخه‌زنی حل‌کننده‌های SAT را از نتایج اجرا یاد بگیرد
چارچوب پیشنهادی با مقایسهٔ پیامدهای مختلف، ترجیح‌های مربوط به انتخاب شاخه را استخراج می‌کند؛ چکیدهٔ در دسترس جزئیات معیارها یا نتایج ارزیابی را شرح نمی‌دهد.
پژوهشگران در پیش‌چاپی در arXiv، چارچوبی به نام SAT-ACT معرفی کرده‌اند که هدفش یادگیری راهنمایی برای شاخه‌زنی در حل‌کننده‌های CDCL است؛ روشی که در آن حل مسئلهٔ SAT با یادگیری بندهای حاصل از تعارض پیش می‌رود.
به‌گفتهٔ چکیده، روش‌های یادگیری پیشین برای راهنمایی شاخه‌زنی معمولاً از ویژگی‌های ساختاری ثابت فرمول‌های SAT یا از بازخورد و ردپای اجرای حل‌کننده استفاده می‌کنند. نویسندگان می‌گویند این نوع نظارت شواهد محدودی دربارهٔ اثر انتخاب شاخه در وضعیت‌های مختلف فراهم می‌کند و معیارهای متفاوت ارزیابی نیز ممکن است انتخاب‌های متفاوتی را ترجیح دهند.
SAT-ACT برای پرداختن به این محدودیت‌ها، سه معیار مکمل برای مقایسهٔ پیامدها طراحی می‌کند تا از اجرای مستقل، ترجیح‌های مربوط به اقدام‌ها استخراج شود. متن منبع در دسترس پیش از توضیح بیشتر قطع می‌شود؛ بنابراین جزئیات این معیارها و عملکرد چارچوب در ارزیابی‌ها مشخص نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده