論文の概要: Mixed-Integer Optimization with Constraint Learning
- arxiv url: http://arxiv.org/abs/2111.04469v1
- Date: Thu, 4 Nov 2021 20:19:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 15:34:20.513119
- Title: Mixed-Integer Optimization with Constraint Learning
- Title(参考訳): 制約学習を用いた混合整数最適化
- Authors: Donato Maragno, Holly Wiberg, Dimitris Bertsimas, S. Ilker Birbil,
Dick den Hertog, Adejuyigbe Fajemisin
- Abstract要約: 我々は、学習制約を伴う混合整数最適化のための幅広い方法論基盤を確立する。
我々は多くの機械学習手法の混合整数最適化・表現性を利用する。
本手法は化学療法最適化とWorld Food Programme計画の両方において実証する。
- 参考スコア(独自算出の注目度): 2.3814279929169198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We establish a broad methodological foundation for mixed-integer optimization
with learned constraints. We propose an end-to-end pipeline for data-driven
decision making in which constraints and objectives are directly learned from
data using machine learning, and the trained models are embedded in an
optimization formulation. We exploit the mixed-integer
optimization-representability of many machine learning methods, including
linear models, decision trees, ensembles, and multi-layer perceptrons. The
consideration of multiple methods allows us to capture various underlying
relationships between decisions, contextual variables, and outcomes. We also
characterize a decision trust region using the convex hull of the observations,
to ensure credible recommendations and avoid extrapolation. We efficiently
incorporate this representation using column generation and clustering. In
combination with domain-driven constraints and objective terms, the embedded
models and trust region define a mixed-integer optimization problem for
prescription generation. We implement this framework as a Python package
(OptiCL) for practitioners. We demonstrate the method in both chemotherapy
optimization and World Food Programme planning. The case studies illustrate the
benefit of the framework in generating high-quality prescriptions, the value
added by the trust region, the incorporation of multiple machine learning
methods, and the inclusion of multiple learned constraints.
- Abstract(参考訳): 学習制約を伴う混合整数最適化のための幅広い方法論基盤を確立する。
本稿では,機械学習を用いたデータから制約や目標を直接学習し,学習したモデルを最適化定式化に組み込む,データ駆動意思決定のためのエンドツーエンドパイプラインを提案する。
線形モデル,決定木,アンサンブル,多層パーセプトロンなど,多くの機械学習手法の混合整数最適化表現性を利用する。
複数の手法の考察により、決定、文脈変数、結果の間の様々な基礎的な関係を捉えることができる。
また,観測の凸包を用いて決定信頼領域を特徴付け,信頼性の高い推薦を保証し,補間を避ける。
この表現を列生成とクラスタリングにより効率的に組み込む。
ドメイン駆動の制約と客観的用語を組み合わせることで、組込みモデルと信頼領域は処方薬生成のための混合整数最適化問題を定義する。
我々はこのフレームワークを実践者向けにpythonパッケージ(opticl)として実装する。
本手法は化学療法最適化とWorld Food Programme計画の両方において実証する。
ケーススタディでは、高品質な処方薬の生成におけるフレームワークのメリット、信頼領域に付加される価値、複数の機械学習手法の導入、複数の学習制約の導入などが示されている。
関連論文リスト
- 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) - Robust Data-driven Prescriptiveness Optimization [2.3204178451683264]
本稿では、古典的経験的リスク目標最小化に代えて、規範性の係数が代わる分布的ロバストな文脈最適化モデルを提案する。
サンプル外データセットが様々な分散シフトを受ける場合の代替手法に対する結果のロバスト性を評価する。
論文 参考訳(メタデータ) (2023-06-09T14:56:06Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Multi-Task Learning for Sparsity Pattern Heterogeneity: A Discrete
Optimization Approach [5.757286797214176]
最適サブセット選択を線形マルチタスク学習(MTL)に拡張する
本稿では,タスク間の情報共有を支援するMLLのモデリングフレームワークを提案する。
提案手法は,変数選択および予測精度において,他のスパースMTL法よりも優れている。
論文 参考訳(メタデータ) (2022-12-16T19:52:25Z) - Context-Aware Ensemble Learning for Time Series [11.716677452529114]
本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。
我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
論文 参考訳(メタデータ) (2022-11-30T10:36:13Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳(メタデータ) (2022-05-05T13:40:08Z) - Learning Distributionally Robust Models at Scale via Composite
Optimization [45.47760229170775]
DROの異なる変種が、スケーラブルな方法を提供する有限サム合成最適化の単なる例であることを示す。
また、非常に大規模なデータセットからロバストなモデルを学ぶために、先行技術に関して提案アルゴリズムの有効性を示す実験結果も提供する。
論文 参考訳(メタデータ) (2022-03-17T20:47:42Z) - A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。
制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。
数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文 参考訳(メタデータ) (2022-02-08T19:18:49Z) - Deep Learning with Multiple Data Set: A Weighted Goal Programming
Approach [2.7393821783237184]
大規模データ分析は、我々の社会でデータが増大するにつれて、指数的な速度で成長している。
ディープラーニングモデルはたくさんのリソースを必要とし、分散トレーニングが必要です。
本稿では,分散学習のためのマルチ基準アプローチを提案する。
論文 参考訳(メタデータ) (2021-11-27T07:10:25Z) - Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。
提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。
本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文 参考訳(メタデータ) (2020-02-20T11:11:32Z)
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。
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。