Apprentissage de solveurs de contraintes sur les domaines finis
Dans ce papier, nous présentons un cadre abstrait pour l'apprentissage d'un solveur de contraintes sur les domaines finis modélisé par un ensemble d'opérateurs assurant une consistance. Le comportement de la consistance à apprendre est pris comme l'ensemble d'exemples sur lequel le processus d'apprentissage est appliqué. Nous recherchons la meilleure expression possible permettant de décrire l'opérateur de consistance dans un langage donné. Nous présentons des conditions suffisantes pour que le solveur appris soit correct et partiellement complet. Nous instancions ce cadre en apprenant des indexicaux Gnu-Prolog pour la consistance de bornes.
In this paper, we present an abstract framework for learning a finite domain constraint solver modeled by a set of operators enforcing a consistency. The behavior of the consistency to be learned is taken as the set of examples on which the learning process is applied. The best possible expression of this operator in a given language is then searched. We present sufficient condition for the learned solver to be correct and we instantiate this framework to the learning of bound-consistency in the indexical language of Gnu-Prolog.
Résolution de contraintes, Apprentissage automatique, Approximation.
Constraint solving, Machine learning, Approximation.
Français
|
