MétaCan
Menu
Retour à la cohorte
Enregistrement W4234417767 · doi:10.32920/ryerson.14653842

Constraint Satisfaction Problems and Their Reduction to Directed Graphs

2021· preprint· en· W4234417767 sur OpenAlexaff
Muhanda Stella Mbaka Muzalal

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueConstraint Satisfaction and Optimization
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésConstraint satisfaction problemBacktrackingConstraint satisfactionComplexity of constraint satisfactionHomomorphismConstraint satisfaction dual problemConstraint graphLocal consistencyConstraint programmingDigraphConstraint logic programmingTheoretical computer scienceMathematicsComputer scienceDiscrete mathematicsMathematical optimizationArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Constraint satisfaction problems present a general framework for studying a large class of algorithmic problems such as satisfaction of Boolean formulas, solving systems of equations over finite fields, graph colourings, as well as various applied problems in artificial intelligence (scheduling, allocation of cell phone frequencies, among others.) CSP (Constraint Satisfaction Problems) bring together graph theory, complexity theory and universal algebra. It is a well known result, due to Feder and Vardi, that any constraint satisfaction problem over a finite relational structure can be reduced to the homomorphism problem for a finite oriented graph. Until recently, it was not known whether this reduction preserves the type of the algorithm which solves the original constraint satisfaction problem, so that the same algorithm solves the corresponding digraph homomorphism problem. We look at how a recent construction due to Bulin, Deli´c, Jackson, and Niven can be used to show that the polynomial solvability of a constraint satisfaction problem using Datalog, a programming language which is a weaker version of Prolog, translates from arbitrary relational structures to digraphs.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,948
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,019
Tête enseignante GPT0,230
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetConstraint Satisfaction and OptimizationTravaux en français237 207