Fugu-MT 論文翻訳(概要): Learning Convex Optimization Models

論文の概要: Learning Convex Optimization Models

arxiv url: http://arxiv.org/abs/2006.04248v2
Date: Thu, 18 Jun 2020 16:55:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-24 07:48:10.327552
Title: Learning Convex Optimization Models
Title（参考訳）: 学習凸最適化モデル
Authors: Akshay Agrawal, Shane Barratt, Stephen Boyd
Abstract要約: 凸最適化モデルは、凸最適化問題を解くことにより、入力からの出力を予測する。入力-出力ペアのデータセットが与えられた凸最適化モデルにおいて,パラメータを学習する手法を提案する。
参考スコア（独自算出の注目度）: 0.5524804393257919
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A convex optimization model predicts an output from an input by solving a convex optimization problem. The class of convex optimization models is large, and includes as special cases many well-known models like linear and logistic regression. We propose a heuristic for learning the parameters in a convex optimization model given a dataset of input-output pairs, using recently developed methods for differentiating the solution of a convex optimization problem with respect to its parameters. We describe three general classes of convex optimization models, maximum a posteriori (MAP) models, utility maximization models, and agent models, and present a numerical experiment for each.
Abstract（参考訳）: 凸最適化モデルは、凸最適化問題を解いて入力からの出力を予測する。凸最適化モデルのクラスは巨大であり、線形回帰やロジスティック回帰のような多くの既知のモデルを含む特別なケースがある。本研究では,入力出力対のデータセットを与えられた凸最適化モデルにおいて,そのパラメータに対する凸最適化問題の解を微分する手法を用いて,パラメータを学習するためのヒューリスティックを提案する。本稿では,凸最適化モデルの3つの一般クラス,最大後方(map)モデル,実用的最大化モデル,エージェントモデルについて述べるとともに,それぞれの数値実験について述べる。

関連論文リスト

Differentially Private Optimization with Sparse Gradients [60.853074897282625]
微分プライベート(DP)最適化問題を個人勾配の空間性の下で検討する。これに基づいて、スパース勾配の凸最適化にほぼ最適な速度で純粋および近似DPアルゴリズムを得る。
論文参考訳（メタデータ） (2024-04-16T20:01:10Z)
Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [121.57202302457135]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-01-08T22:33:14Z)
The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。本稿では,凸型神経回復モデルについて検討する。定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文参考訳（メタデータ） (2023-12-19T23:04:56Z)
Generative Models for Anomaly Detection and Design-Space Dimensionality Reduction in Shape Optimization [0.0]
本研究は,グローバルアルゴリズムの効率向上と高品質な設計の促進を目的として,新たな形状最適化手法を提案する。これは、幾何学的分散を最大化する新しい縮小部分空間を定義する元の設計変数の数を減らすことで達成される。計算結果から,グローバル最適化アルゴリズムの収束性を改善するとともに,高品質な幾何学的特徴を持つ設計のみを生成する。
論文参考訳（メタデータ） (2023-08-08T04:57:58Z)
FineMorphs: Affine-diffeomorphic sequences for regression [1.1421942894219896]
モデル状態は学習中に滑らかなベクトル場によって生成される微分同相によって最適に「再形」される。アフィン変換とベクトル場は最適制御設定内で最適化される。このモデルは次元を自然に減らし(あるいは増大させる)、最適なベクトル場を通して大きなデータセットに適応することができる。
論文参考訳（メタデータ） (2023-05-26T20:54:18Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Learning to Refit for Convex Learning Problems [11.464758257681197]
ニューラルネットワークを用いて、異なるトレーニングセットに対して最適化されたモデルパラメータを推定するフレームワークを提案する。我々は、凸問題を近似するためにニューラルネットワークのパワーを厳格に特徴づける。
論文参考訳（メタデータ） (2021-11-24T15:28:50Z)
Personalizing Performance Regression Models to Black-Box Optimization Problems [0.755972004983746]
本研究では,数値最適化問題に対するパーソナライズされた回帰手法を提案する。また、問題毎に1つの回帰モデルを選択するのではなく、パーソナライズされたアンサンブルを選択することの影響についても検討する。本稿では,BBOBベンチマークコレクション上での数値最適化性能の予測について検討する。
論文参考訳（メタデータ） (2021-04-22T11:47:47Z)
Non-parametric Models for Non-negative Functions [48.7576911714538]
同じ良い線形モデルから非負関数に対する最初のモデルを提供する。我々は、それが表現定理を認め、凸問題に対する効率的な二重定式化を提供することを証明した。
論文参考訳（メタデータ） (2020-07-08T07:17:28Z)
Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。