[논문 리뷰] Features for Building CSP Portfolio Solvers.

Roberto Amadini, Maurizio Gabbrielli외 1명|arXiv (Cornell University)|2013. 08. 01.

Constraint Satisfaction and Optimization인용 수 5

한 줄 요약

이 논문은 MiniZinc, FlatZinc 또는 XCSP로 기술된 제약 충족 및 최적화 문제(CSP)에서 종합적인 특징을 추출하기 위한 유연한 프레임워크를 소개한다. 이 특징들이 지도학습 및 비지도학습 접근 방식을 통해 최고 수준의 CSP 포트폴리오 기법과 경쟁 가능한 성능을 달성하는 데 효과적임을 보여준다.

ABSTRACT

Recent research has shown that a single arbitrarily efficient solver can be significantly outperformed by a portfolio of possibly slower on-average solvers. The solver selection is usually done by means of (un)supervised learning techniques which exploit features extracted from the problem specification. In this paper we present an useful and flexible framework that is able to extract an extensive set of features from a Constraint (Satisfaction/Optimization) Problem defined in possibly different modeling languages: MiniZinc, FlatZinc or XCSP. We also report some empirical results showing that the performances that can be obtained using these features are effective and competitive with state of the art CSP portfolio techniques.

연구 동기 및 목표

• 다양한 모델링 언어로 표현된 CSP에서 특징을 추출하기 위한 일반적이고 확장 가능한 프레임워크를 개발하기 위해.
• 기계학습 기법을 위해 문제에 특화된 풍부한 특징을 제공하여 효과적인 솔버 포트폴리오 선택을 가능하게 하기 위해.
• 추출된 특징이 최고 수준의 기법과 경쟁 가능한 포트폴리오 성능을 제공할 수 있는지 평가하기 위해.
• 특징 세트를 사용하여 지도학습 및 비지도학습 전략을 모두 지원하는 솔버 선택을 가능하게 하기 위해.

제안 방법

• 프레임워크는 MiniZinc, FlatZinc 및 XCSP를 포함한 다양한 입력 형식에서 CSP 인스턴스를 분석하여 구조적 및 통계적 특징을 추출한다.
• 변수 수, 제약 수, 도메인 크기, 제약 유형, 문제 밀도 지표 등의 특징을 계산한다.
• 확장성 지원으로 핵심 컴포onent을 변경하지 않고도 새로운 특징 유형을 추가할 수 있다.
• 해결 전에 특징을 추출하므로 기존의 포트폴리오 선택 시스템과의 통합이 가능하다.
• 표준 벤치마크 인스턴스와 기계학습 기반의 솔버 선택 파ipeline을 사용하여 접근 방식을 평가한다.

실험 결과

연구 질문

• RQ1 일관된 특징 추출 프레임워크가 MiniZinc, FlatZinc 및 XCSP와 같은 다양한 모델링 언어에서 온 CSP를 효과적으로 처리할 수 있는가?
• RQ2 기존 최고 수준의 기법과 비교할 때 추출된 특징이 효과적인 솔버 포트폴리오 선택을 얼마나 잘 지원하는가?
• RQ3 특징이 솔버 선택을 위한 지도학습 및 비지도학습 전략을 어느 정도 지원하는가?

주요 결과

• 제안된 특징 추출 프레임워크는 MiniZinc, FlatZinc 및 XCSP를 포함한 다양한 모델링 언어를 성공적으로 지원한다.
• 추출된 특징은 최고 수준의 CSP 포트폴리오 기법과 경쟁 가능한 성능을 달성하는 솔버 포트폴리오 선택 방법을 가능하게 한다.
• 프레임워크의 확장성 덕분에 새로운 특징 유형의 통합이 간편해져 적응성이 향상된다.
• 실험 결과는 특징 세트가 솔버 선택을 안내하는 데 효과적이며 포트폴리오 효율성을 향상시킨다는 것을 확인한다.