Fugu-MT 論文翻訳(概要): Can ML predict the solution value for a difficult combinatorial problem?

論文の概要: Can ML predict the solution value for a difficult combinatorial problem?

arxiv url: http://arxiv.org/abs/2003.03181v1
Date: Fri, 6 Mar 2020 13:20:42 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 00:34:51.623616
Title: Can ML predict the solution value for a difficult combinatorial problem?
Title（参考訳）: MLは難しい組合せ問題に対する解の値を予測することができるか?
Authors: Constantine Goulimis, Gast\'on Simone
Abstract要約: 機械学習が入力から難解な最適化問題の最終的な目的関数値を予測できるかどうかを検討する。我々の文脈は、カットストック問題において、工業的に重要だが難しい側面であるパターン削減問題である。機械学習はナイーブモデルよりも予測精度が高く、平均絶対パーセンテージ誤差(MAPE)を12.0%から8.7%に下げる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We look at whether machine learning can predict the final objective function value of a difficult combinatorial optimisation problem from the input. Our context is the pattern reduction problem, one industrially important but difficult aspect of the cutting stock problem. Machine learning appears to have higher prediction accuracy than a na\"ive model, reducing mean absolute percentage error (MAPE) from 12.0% to 8.7%.
Abstract（参考訳）: 機械学習が入力から難しい組合せ最適化問題の最終的な目的関数値を予測できるかどうかを検討する。当社のコンテキストは,カットストック問題において,産業的に重要ではあるが困難な側面である,パターン削減問題です。機械学習は、平均絶対パーセンテージ誤差(MAPE)を12.0%から8.7%に削減し、na\"iveモデルよりも高い予測精度を持つ。

関連論文リスト

Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文参考訳（メタデータ） (2024-10-30T17:20:10Z)
Subtle Errors Matter: Preference Learning via Error-injected Self-editing [59.405145971637204]
eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは定義済みの微妙な誤りを正しい解の部分的なトークンに注入し、エラー軽減のためにハードペアを構築する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでは、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善された。
論文参考訳（メタデータ） (2024-10-09T07:43:38Z)
RF+clust for Leave-One-Problem-Out Performance Prediction [0.9281671380673306]
本稿では,LOPO(Left-one-problem-out)のパフォーマンス予測について検討する。我々は、標準ランダムフォレスト(RF)モデル予測が性能値の重み付き平均値で校正することで改善できるかどうかを解析する。
論文参考訳（メタデータ） (2023-01-23T16:14:59Z)
Who Should Predict? Exact Algorithms For Learning to Defer to Humans [40.22768241509553]
従来の手法では,誤分類誤りの少ない人間-AIシステムを見つけることができなかった。線形設定における問題を最適に解くことができるMILP(mixed-integer-linear-gramming)の定式化について述べる。実現可能で,実証的にも良好に機能する新規な代理損失関数を提供する。
論文参考訳（メタデータ） (2023-01-15T21:57:36Z)
Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文参考訳（メタデータ） (2022-10-31T09:46:26Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
Machine learning models for prediction of droplet collision outcomes [8.223798883838331]
液滴衝突の結果を予測することは、広く研究されている現象である。現在の物理学に基づく結果を予測するモデルは不十分である。 ML設定では、この問題は4つのクラスを持つ分類問題に直接変換される。
論文参考訳（メタデータ） (2021-10-01T01:53:09Z)
Sufficiently Accurate Model Learning for Planning [119.80502738709937]
本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
論文参考訳（メタデータ） (2021-02-11T16:27:31Z)
Outlier-Robust Learning of Ising Models Under Dobrushin's Condition [57.89518300699042]
本研究では, サンプルの一定割合が逆向きに破壊されるような外乱条件下で, ドブルシンの条件を満たすIsingモデルの学習問題について検討する。我々の主な成果は、ほぼ最適誤差保証を伴うこの問題に対して、計算効率のよい最初の頑健な学習アルゴリズムを提供することである。
論文参考訳（メタデータ） (2021-02-03T18:00:57Z)
A Novel Regression Loss for Non-Parametric Uncertainty Optimization [7.766663822644739]
不確実性の定量化は、安全な機械学習を確立する最も有望なアプローチの1つである。これまでの最も一般的なアプローチの1つはモンテカルロドロップアウトで、計算量的に安価で、実際に簡単に適用できる。この問題に対処するため,第2モーメント損失(UCI)と呼ばれる新たな目標を提案する。
論文参考訳（メタデータ） (2021-01-07T19:12:06Z)
Boosting Ant Colony Optimization via Solution Prediction and Machine Learning [10.687150889251031]
本稿では,機械学習(ML)とアリコロニー最適化(ACO)を組み合わせたメタヒューリスティック(ML-ACO)を導入し,最適化問題を解く。
論文参考訳（メタデータ） (2020-07-29T13:03:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。