Fugu-MT 論文翻訳(概要): Solving Constrained CASH Problems with ADMM

論文の概要: Solving Constrained CASH Problems with ADMM

arxiv url: http://arxiv.org/abs/2006.09635v2
Date: Sat, 11 Jul 2020 02:58:03 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 20:18:33.775141
Title: Solving Constrained CASH Problems with ADMM
Title（参考訳）: ADMMを用いた制約付きCASH問題の解法
Authors: Parikshit Ram, Sijia Liu, Deepak Vijaykeerthi, Dakuo Wang, Djallel Bouneffouf, Greg Bramble, Horst Samulowitz, Alexander G. Gray
Abstract要約: CASH問題は、機械学習(ML)パイプラインの自動構成の文脈で広く研究されており、様々な解決器やツールキットが利用可能である。本稿では,ADMM最適化フレームワークを活用して,CASHを複数の小さな問題に分解する手法を提案する。
参考スコア（独自算出の注目度）: 92.79535988489536
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The CASH problem has been widely studied in the context of automated configurations of machine learning (ML) pipelines and various solvers and toolkits are available. However, CASH solvers do not directly handle black-box constraints such as fairness, robustness or other domain-specific custom constraints. We present our recent approach [Liu, et al., 2020] that leverages the ADMM optimization framework to decompose CASH into multiple small problems and demonstrate how ADMM facilitates incorporation of black-box constraints.
Abstract（参考訳）: CASH問題は機械学習(ML)パイプラインの自動構成の文脈で広く研究されており、様々な解決器やツールキットが利用可能である。しかし、CASHソルバは、公正性、堅牢性、その他のドメイン固有のカスタム制約などのブラックボックス制約を直接処理しない。我々は、admm最適化フレームワークを利用して現金を複数の小さな問題に分解する最近のアプローチ(liu, et al., 2020)を紹介し、admmがブラックボックス制約の導入をいかに促進しているかを示す。

関連論文リスト

Offline Learning for Combinatorial Multi-armed Bandits [56.96242764723241]
Off-CMABはCMABの最初のオフライン学習フレームワークである。 Off-CMABは悲観的な報酬推定と解法を組み合わせる。合成および実世界のデータセットの実験は、CLCBの優れた性能を強調している。
論文参考訳（メタデータ） (2025-01-31T16:56:18Z)
LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-29T07:25:42Z)
A Unifying Framework for Online Optimization with Long-Term Constraints [62.35194099438855]
我々は,意思決定者が長期的制約の対象となる一連の意思決定をしなければならないオンライン学習問題について検討する。目標は、全報酬を最大化し、同時に、$T$ラウンド全体で小さな累積違反を達成することである。本稿では,この一般クラス問題に対して,未知のモデルに基づいて報酬と制約が選択された場合と,各ラウンドで敵が選択した場合の双方において,最良世界型アルゴリズムを提示する。
論文参考訳（メタデータ） (2022-09-15T16:59:19Z)
A Nonparametric Contextual Bandit with Arm-level Eligibility Control for Customer Service Routing [61.10434777324718]
Amazon Customer Serviceは、毎年数百万の顧客連絡先をリアルタイムにサポートしている。ボット・リゾルバは一部のトラフィックを自動化するのに役立ちますが、人間エージェントの需要は高いままです。
論文参考訳（メタデータ） (2022-09-08T19:20:20Z)
Lifting Symmetry Breaking Constraints with Inductive Logic Programming [2.036811219647753]
我々は、Symmetry Breaking Constraintsを解釈可能な一階制約の集合に引き上げる、Answer Set Programmingのための新しいモデル指向のアプローチを導入する。実験は、我々のフレームワークがインスタンス固有のSBCから一般的な制約を学習できることを実証する。
論文参考訳（メタデータ） (2021-12-22T11:27:48Z)
Chameleon: A Semi-AutoML framework targeting quick and scalable development and deployment of production-ready ML systems for SMEs [0.0]
半AutoMLフレームワークChameleonの実装と概念について議論する。 Chameleonの目標は、プロダクション対応機械学習システムの高速でスケーラブルな開発とデプロイを中小企業のワークフローに組み込むことだ。
論文参考訳（メタデータ） (2021-05-08T10:43:26Z)
A Framework of Inertial Alternating Direction Method of Multipliers for Non-Convex Non-Smooth Optimization [17.553531291690025]
非平滑なマルチブロック複合問題のクラスを解くために,iADMM(iADMM)と呼ばれるアルゴリズムフレームワークを提案する。本フレームワークでは,従来のADMMスキームの収束解析を統一するために,変数の各ブロックを更新するために,ジェネラル・メイジャー・サロゲート化(MM)原理を用いる。
論文参考訳（メタデータ） (2021-02-10T13:55:28Z)
Inexact-ADMM Based Federated Meta-Learning for Fast and Continual Edge Learning [27.506731375782582]
エッジノードが先行タスクからのナレッジ転送を支援するメタモデルを共同学習する,プラットフォーム支援型フェデレーション型メタラーニングアーキテクチャを提案する。 ADMM-FedMetaの収束特性、迅速な適応性能、および事前知識伝達の効果の観点から、包括的な分析を提供します。
論文参考訳（メタデータ） (2020-12-16T00:02:26Z)
Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文参考訳（メタデータ） (2020-11-15T22:36:59Z)
Multi-armed Bandits with Cost Subsidy [1.6631602844999724]
本稿では、インテリジェントSMSルーティング問題と広告オーディエンス最適化問題という2つのアプリケーションを提案する。既存のMABアルゴリズムの素早い一般化は、この問題に対してうまく機能しないことを示す。また,このアルゴリズムに対して,探索定理の簡単な変種を提示し,ほぼ最適な後悔境界を定めている。
論文参考訳（メタデータ） (2020-11-03T05:38:42Z)

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。