arXiv cs.AI· Rafa{\l} Stachowiak, Tomasz P. Pawlak·· 6 天前AI 评分20
MPMMine：面向约束获取的更优基准
MPMMine: Better Benchmarks for Constraint Acquisition
AI 导读
针对约束获取（CA）与数学规划（MP）模型验证研究缺乏合格基准的问题，研究者推出 MPMMine 基准套件，包含数据集、mpmmine-py Python 包和 MPMMine Leaderboard 评测工具。
正文 · AI 翻译
摘要：约束获取（CA）以及利用领域知识工件对数学规划（MP）模型进行验证和增强的相关研究，目前受限于基准的不足。现有基准组织松散，针对各个问题提供的工件类型和格式不一致，是为基准测试求解器而非 CA 算法而设计的，涵盖的问题类别狭窄，或者遗漏了对实验可复现性和 CA 方法公平比较至关重要的细节。
我们开发了一个基准数据集、一个配套软件包以及一个基准测试工具，旨在对 CA 算法进行一致、系统和全面的评估，弥合算法开发与实验基础设施之间的差距。
本文提出了 MPMMine，一个旨在评估利用多样化工件发现、验证和增强 MP 模型的算法的基准套件。MPMMine 的开发遵循支持一致性、标准化、完整性、可扩展性、开放性和版本控制的设计原则。它采用统一结构并依赖开放格式。它为每个问题提供 MP 模型的替代公式，为每个 MP 模型提供数十个参数实例化，以及离散、连续和混合域中的数千个示例解和非解，同时提供自然语言描述以支持文本到模型的方法。mpmmine-py Python 包提供了访问数据集工件的应用程序编程接口。MPMMine Leaderboard 是一个工具，可在一致条件下使用 MPMMine 系统评估现有 CA 算法。它利用开源实现，在隔离容器中运行这些实现并根据其需求调整输入/输出，从而构建一个广泛、交互式的记分板。
| 评论： | 19 页，1 张图，相关数据集见 此 https URL |
| 主题： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| MSC 分类： | 90C90（主），90C05（次） |
| ACM 分类： | I.6.3；I.2.2；I.2.7 |
| 引用为： | arXiv:2605.26279 [cs.AI] |
| （或 arXiv:2605.26279v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.26279 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Tomasz Pawlak [查看电子邮件]
[v1]
2026 年 5 月 25 日星期一 19:05:12 UTC（801 KB）
[v2]
2026 年 10 月 9 日星期五 16:22:45 UTC（810 KB）
来源：arXiv cs.AI · arxiv.org