专栏首页arxiv.org翻译专栏有序功能决策图(CS AI)
原创

有序功能决策图(CS AI)

设计一些BDD变体来利用布尔函数的特殊特性来实现更好的压缩速率。 预先决定使用哪一个变体和构造图表本身同样很困难,并且变体之间的转换通常需要高昂的成本。 这一观察自然导致人们投来越来越多的兴趣,什么时候和如何可以结合现有的变体,以受益于他们各自满意的httpURL。现在我们介绍了一个新的框架,称为\lambdaDD(LD D),重新审查BDD从一个纯粹的功能的观点。 该框架允许将已经存在的变体,包括ChainDD和ESRBDD等最近的变体分类为一类特殊有序模型的实现。 我们以一种有原则的方式列举了这个类的所有模型,并隔离了它最具表现力的模型。 这种新的模型称为\lambdaDD-O-NUCX,适用于稠密和稀疏布尔函数,与链式DD和ESRBDD不同, 是否定不变的。 使用Coq proof assistant正式验证了\lambdaDD-O-NUCX的可行性.. 我们还提供了实验证据来证实我们的理论发现:更具表现力的\lambdaDD模型确实达到了更好的内存压缩率。

原文题目:Ordered Functional Decision Diagrams

原文:Several BDD variants were designed to exploit special features of Boolean functions to achieve better compression rates.Deciding a priori which variant to use is as hard as constructing the diagrams themselves and the conversion between variants comes in general with a prohibitive cost.This observation leads naturally to a growing interest into when and how one can combine existing variants to benefit from their respective sweetthis http URLthis paper, we introduce a novel framework, termed \lambdaDD (LDD), that revisits BDD from a purely functional point of view.The framework allows to classify the already existing variants, including the most recent ones like ChainDD and ESRBDD, as implementations of a special class of ordered models.We enumerate, in a principled way, all the models of this class and isolate its most expressive model.This new model, termed \lambdaDD-O-NUCX, is suitable for both dense and sparse Boolean functions, and, unlike ChainDD and ESRBDD, is invariant by negation.The canonicity of \lambdaDD-O-NUCX is formally verified using the Coq proof assistant.We furthermore provide experimental evidence corroborating our theoretical findings: more expressive \lambdaDD models achieve, indeed, better memory compression rates.

原文作者:Joan Thibault,Khalil Ghorbal

原文地址:https://arxiv.org/abs/2003.09340

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 基于UAV的高效人工智能实时视觉任务框架(CS RO)

    配备有最先进的人工智能(AI)技术的现代无人机正在向众多新颖有趣的应用开放。尽管该领域受到AI的最新突破的强烈影响,但大多数提供的解决方案要么完全依赖于商业软件...

    时代在召唤
  • 利用可微物理模拟学习滑动中的未知物体(CS RO)

    提出了一种将未知目标从初始配置推送到具有稳定性约束的目标配置的新方法。该方法利用可微物理模型的最新进展来学习被推物体的未知力学性质,如其质量分布和摩擦系数。所提...

    时代在召唤
  • GAN和微分轨迹栅格化:改进鸟瞰模型中交通参与者的运动预测(CS RO)

    自动驾驶难题的最关键部分之一是预测周围交通参与者的未来运动的任务,这使自动驾驶汽车能够安全有效地规划复杂世界中的未来路线。最近,在工业界和学术界的研究人员日益增...

    时代在召唤
  • 【代码+论文】最全LSTM在量化交易中的应用汇总

    我们的论坛社区上线啦! https://bbs.mlqi.org 希望大家多去逛逛,学习交流,共享智慧。这个社区就是为大家解答、学习、交流在量化投资和机器学习方...

    量化投资与机器学习微信公众号
  • 重塑经典 | QQ复古头像再设计

    ? 腾讯ISUX isux.tencent.com 社交用户体验设计 ? ? 重新构想复古怀旧,赋予我们喜爱的人物角色更多个性、温度、色彩和熟识度,以提升用...

    腾讯ISUX
  • 基于深度学习技术的自动问答医学模型(CS CL)

    人工智能现在可以为不同的问题提供更多的解决方案,尤其是在医疗领域。这些问题之一是缺少对任何给定的医疗/健康相关问题的答案。互联网上充斥着许多论坛,人们可以通过这...

    刘子蔚
  • 2020年最值得加入的TOP10人工智能公司

    人工智能已经来到了转折点(Inflection Point) - 已不再只是起到装饰作用,从各方面看(all intents and purposes)已经成为...

    用户6026865
  • 【论文推荐】最新5篇视觉目标跟踪相关论文—递归神经网络、深度适应计算策略、视觉目标跟踪基准、深度核化相关滤波、检测并跟踪

    【导读】专知内容组整理了最近五篇视觉目标跟踪(Object Tracking)相关文章,为大家进行介绍,欢迎查看! 1. Learning Hierarchic...

    WZEARW
  • MindManager: Draw your own MindMap!

    ─ 什么是 MindMap ? MindMap 是一种看起来很像树形图的东西,不过比树形图还强力得多(笑)。 一般人在记笔记、或规划事情的时候,多半只有两种方法...

    张善友
  • 周志华:Learnware 将是机器学习的未来

    【新智元导读】《机器学习》作者、南京大学教授周志华在本文中,针对当前机器学习环境适应低、数据共享难等局限,提出新概念 learnware(学件)。Learnwa...

    新智元

扫码关注云+社区

领取腾讯云代金券