論文の概要: How to effectively use machine learning models to predict the solutions
for optimization problems: lessons from loss function
- arxiv url: http://arxiv.org/abs/2105.06618v1
- Date: Fri, 14 May 2021 02:14:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 23:03:23.231204
- Title: How to effectively use machine learning models to predict the solutions
for optimization problems: lessons from loss function
- Title（参考訳）: 機械学習モデルを用いて最適化問題の解を効果的に予測する方法:損失関数からの教訓
- Authors: Mahdi Abolghasemi, Babak Abbasi, Toktam Babaei, Zahra HosseiniFard
- Abstract要約: 本稿では,高度な機械学習手法を用いた制約最適化問題に対する良質な解の予測を目的とする。
citeabbasi 2020predictingの仕事を拡張し、大規模最適化モデルのソリューションを予測するために機械学習モデルを使用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Using machine learning in solving constraint optimization and combinatorial
problems is becoming an active research area in both computer science and
operations research communities. This paper aims to predict a good solution for
constraint optimization problems using advanced machine learning techniques. It
extends the work of \cite{abbasi2020predicting} to use machine learning models
for predicting the solution of large-scaled stochastic optimization models by
examining more advanced algorithms and various costs associated with the
predicted values of decision variables. It also investigates the importance of
loss function and error criterion in machine learning models where they are
used for predicting solutions of optimization problems. We use a blood
transshipment problem as the case study. The results for the case study show
that LightGBM provides promising solutions and outperforms other machine
learning models used by \cite{abbasi2020predicting} specially when mean
absolute deviation criterion is used.
- Abstract（参考訳）: 制約最適化と組合せ問題における機械学習の利用は、コンピュータ科学と運用研究のコミュニティにおいて活発な研究領域になりつつある。
本稿では,高度な機械学習手法を用いた制約最適化問題に対する良質な解の予測を目的とする。
これは、より高度なアルゴリズムと決定変数の予測値に関連する様々なコストを調べることによって、大規模確率最適化モデルの解を予測するために機械学習モデルを使用するために、cite{abbasi 2020predicting}の作業を拡張する。
また、最適化問題の解を予測する機械学習モデルにおいて、損失関数とエラー基準の重要性についても検討する。
我々は血液輸血の問題をケーススタディとして用いている。
ケーススタディの結果は、LightGBMが有望なソリューションを提供し、特に平均絶対偏差基準が使用される場合、他の機械学習モデルよりも優れていることを示している。
関連論文リスト
- Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - A learning-based solution approach to the application placement problem in mobile edge computing under uncertainty [0.0]
モバイルエッジコンピューティングサーバにアプリケーションを配置することは、多くのサーバ、ユーザ、そして彼らの要求にまつわる複雑な課題を示す。
これらのアプローチの1つは機械学習であり、エッジサーバにおけるアプリケーションの配置に最適なソリューションをエミュレートする。
本研究の目的は,モバイルエッジコンピューティングにおける高次元問題や,不確実性を伴うシナリオに対処するための,より効率的なアプローチを提供することである。
論文 参考訳（メタデータ） (2024-03-17T16:23:00Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and
Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。
本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2023-11-22T01:32:06Z) - Taking the human out of decomposition-based optimization via artificial
intelligence: Part II. Learning to initialize [0.0]
提案手法は解時間を大幅に短縮することができる。
アクティブかつ教師付き学習は、計算性能を予測する代理モデルを学ぶために使用される。
その結果,提案手法が解時間を大幅に短縮する可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-10T23:49:26Z) - Explainable Landscape Analysis in Automated Algorithm Performance
Prediction [0.0]
自動アルゴリズムの性能予測において,異なる教師付き機械学習モデルによって活用される問題景観の特徴の表現性について検討する。
教師付きML回帰モデルでは,問題ランドスケープの特徴が異なるため,教師付きML手法の選択が重要であることを実験的に指摘した。
論文 参考訳（メタデータ） (2022-03-22T15:54:17Z) - 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) - 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) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。