論文の概要: Towards Portfolios of Streamlined Constraint Models: A Case Study with the Balanced Academic Curriculum Problem

• arxiv url: http://arxiv.org/abs/2009.10152v1
• Date: Mon, 21 Sep 2020 19:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 05:00:26.395748
• Title: Towards Portfolios of Streamlined Constraint Models: A Case Study with the Balanced Academic Curriculum Problem
• Title（参考訳）: 流線形制約モデルのポートフォリオ化に向けて:バランスの取れたアカデミックカリキュラム問題を用いたケーススタディ
• Authors: Patrick Spracklen, Nguyen Dang, \"Ozg\"ur Akg\"un, Ian Miguel
• Abstract要約: 本稿では,問題クラスの抽象的エッセンス仕様に含まれる型から導かれる,ストリームライナー制約の自動追加に焦点をあてる。 合理化されたEssence仕様を制約モデルに洗練することで、多数のモデル選択が生まれる。 各種のレースは、訓練の計算コストを抑えるために使用される。
• 参考スコア（独自算出の注目度）: 1.8466814193413488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Augmenting a base constraint model with additional constraints can strengthen the inferences made by a solver and therefore reduce search effort. We focus on the automatic addition of streamliner constraints, derived from the types present in an abstract Essence specification of a problem class of interest, which trade completeness for potentially very significant reduction in search. The refinement of streamlined Essence specifications into constraint models suitable for input to constraint solvers gives rise to a large number of modelling choices in addition to those required for the base Essence specification. Previous automated streamlining approaches have been limited in evaluating only a single default model for each streamlined specification. In this paper we explore the effect of model selection in the context of streamlined specifications. We propose a new best-first search method that generates a portfolio of Pareto Optimal streamliner-model combinations by evaluating for each streamliner a portfolio of models to search and explore the variability in performance and find the optimal model. Various forms of racing are utilised to constrain the computational cost of training.
• Abstract（参考訳）: 追加の制約によるベース制約モデルの拡張は、ソルバによる推論を強化し、検索労力を削減することができる。 我々は,問題クラスの抽象的本質的仕様に存在する型から導かれたストリームライナー制約の自動付加に着目し,検索の大幅な削減を実現するためのトレードオフ完全性について検討した。 制約解決器への入力に適した制約モデルへの合理化されたEssence仕様の洗練は、基礎となるEssence仕様に必要なものに加えて、多数のモデリング選択をもたらす。 以前の自動化された合理化アプローチでは、各合理化仕様に対して単一のデフォルトモデルのみを評価することが制限されていた。 本稿では,仕様の合理化にともなうモデル選択の効果について考察する。 本稿では,各ストリームライナーに対して,パフォーマンスの変動性を探索し,最適なモデルを見出すためのモデルポートフォリオを評価することにより,パレート最適ストリームライナー・モデルの組み合わせのポートフォリオを生成する新しいベストファースト探索手法を提案する。 各種のレースは、訓練の計算コストを抑えるために使用される。

関連論文リスト

• Athanor: Local Search over Abstract Constraint Specifications [2.3383199519492455]
  本稿では,制約モデルとして受け入れる汎用ローカルサーチソルバに着目した。 ここで説明するAthanorソルバは、抽象制約仕様言語Essenceにおける問題の仕様から始まります。
  論文  参考訳（メタデータ） (2024-10-08T11:41:38Z)
• FIARSE: Model-Heterogeneous Federated Learning via Importance-Aware Submodel Extraction [26.26211464623954]
  Federated Importance-Aware Submodel extract (FIARSE)は、モデルパラメータの重要性に基づいて、サブモデルを動的に調整する新しいアプローチである。 既存の研究と比較して,提案手法はサブモデル抽出の理論的基礎を提供する。 提案したFIARSEの優れた性能を示すため,様々なデータセットで大規模な実験を行った。
  論文  参考訳（メタデータ） (2024-07-28T04:10:11Z)
• Oracle Inequalities for Model Selection in Offline Reinforcement Learning [105.74139523696284]
  本稿では,値関数近似を用いたオフラインRLにおけるモデル選択の問題について検討する。 対数係数まで最小値の速度-最適不等式を実現するオフラインRLの最初のモデル選択アルゴリズムを提案する。 そこで本研究では,優れたモデルクラスを確実に選択できることを示す数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2022-11-03T17:32:34Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• A Nested Weighted Tchebycheff Multi-Objective Bayesian Optimization Approach for Flexibility of Unknown Utopia Estimation in Expensive Black-box Design Problems [0.0]
  既存の研究では、未知のユートピアを定式化するための重み付きTchebycheff MOBOアプローチが実証されている。 モデルアンサンブルから回帰モデル選択手順を構築する,ネスト重み付きTchebycheff MOBOフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-16T00:44:06Z)
• Data Summarization via Bilevel Optimization [48.89977988203108]
  シンプルだが強力なアプローチは、小さなサブセットのデータを操作することだ。 本研究では,コアセット選択を基数制約付き双レベル最適化問題として定式化する汎用コアセットフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-26T09:08:38Z)
• 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)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
  現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。 アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。 デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
  論文  参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。