Mother Tree Optimization for Conditional Constraints and Qualitative Preferences
Notice bibliographique
Résumé
The Constraint Satisfaction Problem (CSP) is a robust framework for representing and solving many challenging and complex problems under constraints. More specifically, a CSP includes a set of variables defined over discrete domains of values, and a set of constraints restricting the values that the variables can simultaneously take. Solving a CSP consists of finding a complete assignment of values to variables such that all the constraints are satisfied. Given that the CSP is an NP-complete problem, finding a feasible solution requires an exponential time cost in practice. To overcome this difficulty in practice, we have proposed a discrete version of our bio-inspired Mother Tree Optimization (MTO) method that we called Discrete MTO-CSP (DMTO-CSP). The Conditional CSP (CCSP) extends the CSP with variables added or removed, dynamically, following some activity constraints. CCSPs can be very relevant in many dynamic applications, such as configuration and planning, where the possible changes are known a priori and can be enumerated. In these applications, we often have to manage a set of constraints together with some users' preferences. This has motivated us to extend the CCSP model to qualitative preferences represented with the CP-net graphical model. We then propose an adapted variant of DMTO-CSP, that we call DMTO-CCSP, to solve CCSPs and CCSPs with preferences. In order to assess the performance of DMTO-CCSP, we conducted several comparative experiments on random CCSP instances generated using a variant of the known RB model. The results demonstrate the efficiency of DMTO-CSP compared to the known backtrack search technique.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».