Learning SAT Encodings for Constraint Satisfaction Problems
Notice bibliographique
Résumé
Constraint programming addresses many interesting and challenging problems in \nour world, including recent applications to contexts as diverse as allocating \nrefugee relief funds, short-term mine planning and hardware circuit design. \n \nUsers define their problems in high-level modelling languages which include \ndescriptive global constraints. One of the most effective ways to solve \nconstraint satisfaction problems (CSPs) is by translating them into instances \nof the Boolean Satisfiability Problem (SAT). For some global constraints in \nCSPs there exist many algorithms which encode the constraint into SAT; \nchoosing an appropriate SAT encoding can alter the ultimate solving time \ndramatically. \n \nWe investigate the problem of selecting the best SAT encoding for \npseudo-Boolean and linear integer constraints. Many machine learning \ntechniques are explored, applied and evaluated to aid this selection. The \nresult is a significant improvement in performance compared to the default \nchoice and to the single best choice from a training set. The approach is \nsuccessful even for previously unseen problem classes and it greatly \noutperforms a sophisticated general algorithm selection and configuration \ntool. \n \nThis work provides a thorough empirical study and detailed analysis of each \nstage in the machine learning process as applied to choosing SAT encodings. \nIt does this in three phases: firstly by using generic CSP instance features \nto select an encoding per constraint type for each instance, then by \nintroducing new features which focus on the constraint types in question, and \nfinally by learning to select encodings for individual constraints. \n \nWe find that even generic instance features can produce good predictions, but \nthat the specialised features introduced give more robust performance \nespecially when predicting for unseen problem classes. Training to predict \nper constraint shows potential and leads to better performance for some \nproblem classes, but per-instance selection is still competitive across the \ncorpus of problems as a whole.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».