論文の概要: Structured Convolutional Kernel Networks for Airline Crew Scheduling

• arxiv url: http://arxiv.org/abs/2105.11646v1
• Date: Tue, 25 May 2021 03:47:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 14:02:32.163687
• Title: Structured Convolutional Kernel Networks for Airline Crew Scheduling
• Title（参考訳）: 飛行船スケジューリングのための構造化畳み込みカーネルネットワーク
• Authors: Yassine Yaakoubi, Fran\c{c}ois Soumis, Simon Lacoste-Julien
• Abstract要約: 本稿では,Mairal et al. (2014) の CKN を構造化予測フレームワークに組み込んだ構造化畳み込みカーネルネットワーク (Struct-CKN) を提案する。 本実験により,大規模な乗員ペアリング問題において,本手法が有意な改善をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 22.520832696173738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivated by the needs from an airline crew scheduling application, we introduce structured convolutional kernel networks (Struct-CKN), which combine CKNs from Mairal et al. (2014) in a structured prediction framework that supports constraints on the outputs. CKNs are a particular kind of convolutional neural networks that approximate a kernel feature map on training data, thus combining properties of deep learning with the non-parametric flexibility of kernel methods. Extending CKNs to structured outputs allows us to obtain useful initial solutions on a flight-connection dataset that can be further refined by an airline crew scheduling solver. More specifically, we use a flight-based network modeled as a general conditional random field capable of incorporating local constraints in the learning process. Our experiments demonstrate that this approach yields significant improvements for the large-scale crew pairing problem (50,000 flights per month) over standard approaches, reducing the solution cost by 17% (a gain of millions of dollars) and the cost of global constraints by 97%.
• Abstract（参考訳）: 航空機乗組員のスケジューリングアプリケーションのニーズに応え,MairalらによるCKNを組み合わせた構造化畳み込みカーネルネットワーク(Struct-CKN)を導入する。 (2014)は、出力の制約をサポートする構造化予測フレームワークである。 CKNは特定の種類の畳み込みニューラルネットワークであり、トレーニングデータ上でカーネルの特徴マップを近似し、ディープラーニングの特性とカーネルメソッドの非パラメトリックな柔軟性を組み合わせる。 cknを構造化出力に拡張することで、航空乗組員スケジューリングソルバによってさらに洗練されたフライト接続データセット上で有用な初期解を得ることができる。 より具体的には、学習プロセスに局所的な制約を組み込むことができる一般的な条件付き確率場としてモデル化された飛行ベースのネットワークを用いる。 実験により,本手法は標準的な手法よりも大規模乗組員ペアリング問題(月5万便)を大幅に改善し,ソリューションコストを17%削減し(数百万ドル),グローバル制約のコストを97%削減することを示した。

関連論文リスト

• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Neural Network with Local Converging Input (NNLCI) for Supersonic Flow Problems with Unstructured Grids [0.9152133607343995]
  非構造データを用いた高忠実度予測のための局所収束入力(NNLCI)を用いたニューラルネットワークを開発した。 また, NNLCI法を用いて, バンプを有するチャネル内の超音速流の可視化を行った。
  論文  参考訳（メタデータ） (2023-10-23T19:03:37Z)
• Fixing the NTK: From Neural Network Linearizations to Exact Convex Programs [63.768739279562105]
  学習目標に依存しない特定のマスクウェイトを選択する場合、このカーネルはトレーニングデータ上のゲートReLUネットワークのNTKと等価であることを示す。 この目標への依存の欠如の結果として、NTKはトレーニングセット上の最適MKLカーネルよりもパフォーマンスが良くない。
  論文  参考訳（メタデータ） (2023-09-26T17:42:52Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Convergence Rates of Training Deep Neural Networks via Alternating Minimization Methods [6.425552131743896]
  本稿では,ディープニューラルネットワーク(DNN)の収束速度を解析するための統合フレームワークを提案する。 本稿では、KL の$theta$ が$[0,1)$ のとき、局所収束指数の詳細な値を示す。
  論文  参考訳（メタデータ） (2022-08-30T14:58:44Z)
• Better Training using Weight-Constrained Stochastic Dynamics [0.0]
  我々は、トレーニングを通してディープニューラルネットワークのパラメータ空間を制御するために制約を用いる。 カスタマイズされた適切な設計の制約を使用することで、消滅/展開の問題を減らすことができる。 グラデーションランゲヴィンフレームワークに制約を効率的に組み込むための一般的なアプローチを提供する。
  論文  参考訳（メタデータ） (2021-06-20T14:41:06Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud System [54.588242387136376]
  エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。 まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。 次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。 第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
  論文  参考訳（メタデータ） (2021-01-17T03:45:25Z)
• Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer [23.980050729253612]
  本稿では、機械学習の分類アルゴリズムを用いて大規模商用解法(GENCOL)を初期化するケーススタディを提案する。 1%未満の少額の貯蓄は、大型航空会社の年間収入を数十万ドル増額することを意味している。
  論文  参考訳（メタデータ） (2020-09-26T01:32:07Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。