Zobrazeno 1 - 10
of 1 126
pro vyhledávání: '"Bryant, P E"'
Autor:
Bryant, Randal E.
This paper concerns Boolean satisfiability (SAT) solvers based on Ordered Binary Decision Diagrams (BDDs), especially those that can generate proofs of unsatisfiability. Mengel (arXiv:2306.00886) has presented a theoretical analysis that a BDD-based
Externí odkaz:
http://arxiv.org/abs/2306.10337
Autor:
Soos, Mate, Bryant, Randal E.
Traditional Boolean satisfiability (SAT) solvers based on the conflict-driven clause-learning (CDCL) framework fare poorly on formulas involving large numbers of parity constraints. The CryptoMiniSat solver augments CDCL with Gauss-Jordan elimination
Externí odkaz:
http://arxiv.org/abs/2304.04292
Publikováno v:
presented at the 2021 KDD Workshop on Measures and Best Practices for Responsible AI
To ensure trust in AI models, it is becoming increasingly apparent that evaluation of models must be extended beyond traditional performance metrics, like accuracy, to other dimensions, such as fairness, explainability, adversarial robustness, and di
Externí odkaz:
http://arxiv.org/abs/2109.14653
Autor:
Bryant, Randal E., Heule, Marijn J. H.
In 2006, Biere, Jussila, and Sinz made the key observation that the underlying logic behind algorithms for constructing Reduced, Ordered Binary Decision Diagrams (BDDs) can be encoded as steps in a proof in the extended resolution logical framework.
Externí odkaz:
http://arxiv.org/abs/2105.00885
Our nation's infrastructure for generating, transmitting, and distributing electricity - "The Grid" - is a relic based in many respects on century-old technology. It consists of expensive, centralized generation via large plants, and a massive transm
Externí odkaz:
http://arxiv.org/abs/2008.00055
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Maina, Samuel C., Bryant, Reginald E., Goal, William O., Samoilescu, Robert-Florian, Varshney, Kush R., Weldemariam, Komminist
In this paper, we investigate the effect of machine learning based anonymization on anomalous subgroup preservation. In particular, we train a binary classifier to discover the most anomalous subgroup in a dataset by maximizing the bias between the g
Externí odkaz:
http://arxiv.org/abs/1911.03674
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Bryant, Randal E.
Chain reduction enables reduced ordered binary decision diagrams (BDDs) and zero-suppressed binary decision diagrams (ZDDs) to each take advantage of the others' ability to symbolically represent Boolean functions in compact form. For any Boolean fun
Externí odkaz:
http://arxiv.org/abs/1710.06500