Fugu-MT 論文翻訳(概要): Learning the Markov Decision Process in the Sparse Gaussian Elimination

論文の概要: Learning the Markov Decision Process in the Sparse Gaussian Elimination

arxiv url: http://arxiv.org/abs/2109.14929v1
Date: Thu, 30 Sep 2021 08:56:39 GMT
ステータス: 処理完了
システム内更新日: 2021-10-02 00:12:05.314432
Title: Learning the Markov Decision Process in the Sparse Gaussian Elimination
Title（参考訳）: スパースガウス除去におけるマルコフ決定過程の学習
Authors: Yingshi Chen
Abstract要約: スパースガウス除去のための学習に基づくアプローチを提案する。スパースソルバの主モジュールに対するQ-Learningアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a learning-based approach for the sparse Gaussian Elimination. There are many hard combinatorial optimization problems in modern sparse solver. These NP-hard problems could be handled in the framework of Markov Decision Process, especially the Q-Learning technique. We proposed some Q-Learning algorithms for the main modules of sparse solver: minimum degree ordering, task scheduling and adaptive pivoting. Finally, we recast the sparse solver into the framework of Q-Learning. Our study is the first step to connect these two classical mathematical models: Gaussian Elimination and Markov Decision Process. Our learning-based algorithm could help improve the performance of sparse solver, which has been verified in some numerical experiments.
Abstract（参考訳）: スパースガウス除去のための学習に基づくアプローチを提案する。現代のスパースソルバには、多くのハードコンビネート最適化問題があります。これらのNPハード問題はマルコフ決定過程、特にQラーニング手法の枠組みで扱うことができる。スパースソルバの主モジュールに対するQ-Learningアルゴリズムとして,最小次順序付け,タスクスケジューリング,適応ピボットを提案する。最後に、スパースソルバをQ-Learningのフレームワークに再キャストする。我々の研究は、これら2つの古典的数学モデル、ガウス的退化とマルコフ決定過程をつなぐ最初のステップである。学習に基づくアルゴリズムは,いくつかの数値実験で検証されたスパースソルバの性能向上に役立つ。

関連論文リスト

Learning to Optimize for Mixed-Integer Non-linear Programming [20.469394148261838]
混合整数非NLPプログラム(MINLP)はエネルギーシステムや輸送など様々な領域で発生するが、解決は困難である。機械学習の最近の進歩は、最適化のための学習として知られる領域において、顕著な成功をもたらしている。勾配を保ちながら整数出力を生成する2つの異なる補正層を提案する。
論文参考訳（メタデータ） (2024-10-14T20:14:39Z)
Deep Learning Methods for S Shaped Utility Maximisation with a Random Reference Point [0.0]
深層学習法と双対解法を用いて問題を解くための数値解法を開発した。深層学習法を用いて、原始問題と双対問題の両方に対して関連するハミルトン・ヤコビ・ベルマン方程式を解く。完全市場と不完全市場の両方において、この非凹凸問題の解を、ベンチマークに依存するランダム関数である定式化ユーティリティの解と比較する。
論文参考訳（メタデータ） (2024-10-07T22:07:59Z)
Two-Step Q-Learning [0.0]
そこで本研究では,重要でない2段階のQ-ラーニングアルゴリズムを提案する。数値実験により、2段階のQ-ラーニングとそのスムーズな変形の優れた性能が示された。
論文参考訳（メタデータ） (2024-07-02T15:39:00Z)
Learning the Positions in CountSketch [49.57951567374372]
本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-11T07:28:35Z)
Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文参考訳（メタデータ） (2022-10-31T09:46:26Z)
QBoost for regression problems: solving partial differential equations [0.0]
ハイブリッドアルゴリズムは、必要なキュービット数において、良好な精度と良好なスケーリングで偏微分方程式の解を求めることができる。古典的な部分は、機械学習を用いて偏微分方程式を解くことができる複数の回帰器を訓練することによって構成される。量子部分は、回帰問題を解くためにQBoostアルゴリズムを適用することで構成される。
論文参考訳（メタデータ） (2021-08-30T16:13:04Z)
Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。最先端アルゴリズムの利点を論じ、解説する。
論文参考訳（メタデータ） (2020-09-28T15:22:24Z)
Towards Minimax Optimal Reinforcement Learning in Factored Markov Decision Processes [53.72166325215299]
エピソード因子化マルコフ決定過程(FMDP)における最小強化学習について検討する。第一に、分解された構造のリッチなクラスに対する最小限の後悔の保証を達成する。 2つ目は、少し悪い後悔をしながら、より良い計算複雑性を楽しみます。
論文参考訳（メタデータ） (2020-06-24T00:50:17Z)
Learning selection strategies in Buchberger's algorithm [3.4376560669160394]
我々は、強化学習エージェントを用いてSペア選択を行うBuchbergerのアルゴリズムに新しいアプローチを導入する。次に、問題の難易度がSペアの領域選択と分布に依存するかを研究する。我々はポリシー最適化(PPO)を用いてポリシーモデルを訓練し、近似二項方程式のランダムシステムに対するSペア選択戦略を学習する。
論文参考訳（メタデータ） (2020-05-05T02:27:00Z)
Physarum Powered Differentiable Linear Programming Layers and Applications [48.77235931652611]
一般線形プログラミング問題に対する効率的かつ微分可能な解法を提案する。本稿では,ビデオセグメンテーションタスクとメタラーニングにおける問題解決手法について述べる。
論文参考訳（メタデータ） (2020-04-30T01:50:37Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)

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。