論文の概要: A Surrogate Objective Framework for Prediction+Optimization with Soft
Constraints
- arxiv url: http://arxiv.org/abs/2111.11358v1
- Date: Mon, 22 Nov 2021 17:09:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 17:26:13.824600
- Title: A Surrogate Objective Framework for Prediction+Optimization with Soft
Constraints
- Title(参考訳): ソフト制約による予測+最適化のための代理目的フレームワーク
- Authors: Kai Yan and Jie Yan and Chuan Luo and Liting Chen and Qingwei Lin and
Dongmei Zhang
- Abstract要約: SPO+や直接最適化のような決定に焦点をあてた予測手法が、このギャップを埋めるために提案されている。
本稿では,実世界の線形および半定値負の二次計画問題に対して,解析的に微分可能な主観的フレームワークを提案する。
- 参考スコア(独自算出の注目度): 29.962390392493507
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Prediction+optimization is a common real-world paradigm where we have to
predict problem parameters before solving the optimization problem. However,
the criteria by which the prediction model is trained are often inconsistent
with the goal of the downstream optimization problem. Recently,
decision-focused prediction approaches, such as SPO+ and direct optimization,
have been proposed to fill this gap. However, they cannot directly handle the
soft constraints with the $max$ operator required in many real-world
objectives. This paper proposes a novel analytically differentiable surrogate
objective framework for real-world linear and semi-definite negative quadratic
programming problems with soft linear and non-negative hard constraints. This
framework gives the theoretical bounds on constraints' multipliers, and derives
the closed-form solution with respect to predictive parameters and thus
gradients for any variable in the problem. We evaluate our method in three
applications extended with soft constraints: synthetic linear programming,
portfolio optimization, and resource provisioning, demonstrating that our
method outperforms traditional two-staged methods and other decision-focused
approaches.
- Abstract(参考訳): 予測+最適化は、最適化問題を解く前に問題パラメータを予測しなければならない一般的な現実世界パラダイムである。
しかし、予測モデルが訓練される基準は、下流最適化問題の目標と矛盾することが多い。
近年,このギャップを埋めるために,SPO+や直接最適化などの意思決定型予測手法が提案されている。
しかし、多くの現実世界の目的において必要となる$max$演算子でソフト制約を直接扱うことはできない。
本稿では,ソフトリニアおよび非負のハード制約を持つ実世界線形および半定値負二次計画問題に対する,解析的に微分可能な新たな対象フレームワークを提案する。
この枠組みは制約の乗法に関する理論的境界を与え、予測パラメータに関して閉形式解を導出し、それゆえ問題の任意の変数に対する勾配を与える。
提案手法は,合成線形計画法,ポートフォリオ最適化法,リソースプロビジョニング法という3つのソフト制約を満たしたアプリケーションで評価し,従来の2段階法と他の決定的アプローチよりも優れていることを示す。
関連論文リスト
- Learning Constrained Optimization with Deep Augmented Lagrangian Methods [60.94111369773497]
機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。
本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。
これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
論文 参考訳(メタデータ) (2024-03-06T04:43:22Z) - Double Duality: Variational Primal-Dual Policy Optimization for
Constrained Reinforcement Learning [132.7040981721302]
本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。
制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
論文 参考訳(メタデータ) (2024-02-16T16:35:18Z) - 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) - 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) - Global Optimization: A Machine Learning Approach [7.052596485478637]
Bertsimas と Ozturk (2023) は、ブラックボックスのグローバル最適化問題を解決する方法として OCTHaGOn を提案した。
我々は、他のMIO表現可能なMLモデルを用いて、元の問題を近似することで、このアプローチの拡張を提供する。
多くの場合において、ソリューションの実現可能性と最適性の改善を示す。
論文 参考訳(メタデータ) (2023-11-03T06:33:38Z) - Score Function Gradient Estimation to Widen the Applicability of
Decision-Focused Learning [17.494540497438955]
決定中心学習(DFL)は、タスク損失を直接最小化し、MLモデルをトレーニングすることを目的として、最近提案されたパラダイムである。
本研究では,パラメータ上でのテキスト分布の予測とスコア関数勾配推定(SFGE)を用いて,予測モデルに対する決定中心の更新を計算することにより,これらの制約に対処する。
実験の結果,(1)目的関数と制約の両方で発生する予測に対処し,(2)2段階最適化問題に効果的に取り組むことができることがわかった。
論文 参考訳(メタデータ) (2023-07-11T12:32:13Z) - Predict+Optimize for Packing and Covering LPs with Unknown Parameters in
Constraints [5.762370982168012]
本稿では,予測+設定のための新規かつ実用的な枠組みを提案するが,目的と制約の両方に未知のパラメータを持つ。
本稿では, 補正関数の概念と, 損失関数に付加的なペナルティ項を導入し, 真のパラメータが明らかにされた後, 推定された最適解を実現可能な解に変換する現実的なシナリオをモデル化する。
私たちのアプローチは、マンディとガンズの以前の研究にインスピレーションを受けています。
論文 参考訳(メタデータ) (2022-09-08T09:28:24Z) - Faster Algorithm and Sharper Analysis for Constrained Markov Decision
Process [56.55075925645864]
制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。
新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。
これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
論文 参考訳(メタデータ) (2021-10-20T02:57:21Z) - Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。
本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
論文 参考訳(メタデータ) (2021-03-24T03:03:13Z) - Application-Driven Learning: A Closed-Loop Prediction and Optimization
Approach Applied to Dynamic Reserves and Demand Forecasting [62.997667081978825]
我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。
提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
論文 参考訳(メタデータ) (2021-02-26T02:43:28Z)
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。