NP-hard
PulseAugur coverage of NP-hard — every cluster mentioning NP-hard across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
AI研究：分析指令排序的复杂性
一篇新的研究论文探讨了当概念之间存在先决条件依赖时，指令排序的复杂性。该研究证明，随机性（或学习概念的成功概率）可以被消除，将问题简化为确定性的最短路径问题。然而，即使在简化条件下，找到最优序列仍然是NP难问题。该研究引入了一个可计算的诊断指标mΔ来界定排序的价值，并识别了近视排序可能导致重大遗憾的具体实例，而精确的A*搜索仍然高效。
-
机器学习加速硬件设计问题的SAT编码
研究人员开发了一个神经符号框架，以提高单常数乘法（SCM）问题的编码效率。该方法使用图神经网络来预测有效的运算符选择规则，显著减少了大型常数的编码时间和内存使用量。该方法在未见的17-32位常数上，编码时间减少了一到两个数量级，内存使用量减少了97%以上，同时保持了接近最优的编码质量。
-
新的CASP方法使用可验证证书来改进NP难优化问题
一篇新研究论文介绍了一种名为CASP（Certificate-Augmented Solution Pruning，证书增强型解剪枝）的方法，该方法旨在利用机器学习预测来提高解决NP难优化问题的效率。与依赖未经检查的预测的传统方法不同，CASP包含一个可靠的多项式时间验证器，无论预测质量如何，都能确保正确性。此验证过程限制了诱导损失，使得证书参数的学习所需样本量远少于未经验证的方法。实验表明，当使用训练好的预测器时，CASP不会损失最…
-
新算法学习用于最近邻搜索的最优数据结构
研究人员开发了一种新的最近邻搜索方法，专注于数据驱动的算法设计。该方法学习针对特定查询分布进行优化的数据结构，特别是针对平衡半空间树。虽然找到最优平衡半空间是计算上困难的（NP-hard），但所提出的算法提供了一种有效的解决方案，可以近似最优分割，即使没有强分布假设。
-
论文认为自然启发数学创新，证明了LLM规模的合理性
一篇新论文提出，人类的数学创新源于与自然世界的模式匹配，而非仅仅依靠纯粹的推理。作者认为，逻辑系统的复杂性和棘手性，即使是对于布尔可满足性问题这样的难题，也需要从物理学和生物学中汲取灵感。这一观点表明，大型语言模型的规模之所以合理，是因为它们能够嵌入广泛的跨领域模式，这与人类创造力所需的认知必要性相呼应。
-
人工智能需要自然的模式来进行数学创造，而不仅仅是逻辑
一项新假说提出，人类的数学推理，除了纯粹的演绎推理外，在根本上依赖于从外部领域（尤其是自然界）进行的模式匹配。这是因为纯粹的推理面临着不可判定性和计算棘手性带来的局限。历史上的例子，例如傅里叶变换的发展，说明了物理学问题如何激发了纯粹逻辑本身无法预见的数学创新。该论文认为，这种对受物理学启发的模式匹配的依赖是一种认知必需，这意味着旨在达到人类水平数学创造力的人工智能系统必须整合海量的跨领域模式，这证明了当前大型语言模型的规模是合理的。
-
机器学习提升NP难题的精确指数算法
研究人员开发了一种新颖的方法，通过结合机器学习预测来增强NP难题的精确指数时间算法。该方法增强了现有的子集选择问题的算法，表明即使是略好于随机的预测也能显著减小搜索空间并提高运行时间。这些算法的加速不需要通常假设的更强的预测要求，例如成对独立性，或者不需要知道预测器的确切准确性。