論文の概要: Solve Optimization Problems with Unknown Constraint Networks
- arxiv url: http://arxiv.org/abs/2111.11871v1
- Date: Tue, 23 Nov 2021 13:39:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 15:00:01.687347
- Title: Solve Optimization Problems with Unknown Constraint Networks
- Title(参考訳): 未知制約ネットワークによる最適化問題の解法
- Authors: Mohamed-Bachir Belaid, Arnaud Gotlieb, Nadjib Lazaar
- Abstract要約: 目的関数と未知の制約ネットワークを用いて最適化問題の解法を提案する。
このアルゴリズムは、未知の制約を学習し、最適解のバウンダリを計算するアクティブな制約取得アルゴリズムを使用する。
- 参考スコア(独自算出の注目度): 13.896724650508089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In most optimization problems, users have a clear understanding of the
function to optimize (e.g., minimize the makespan for scheduling problems).
However, the constraints may be difficult to state and their modelling often
requires expertise in Constraint Programming. Active constraint acquisition has
been successfully used to support non-experienced users in learning constraint
networks through the generation of a sequence of queries. In this paper, we
propose Learn&Optimize, a method to solve optimization problems with known
objective function and unknown constraint network. It uses an active constraint
acquisition algorithm which learns the unknown constraints and computes
boundaries for the optimal solution during the learning process. As a result,
our method allows users to solve optimization problems without learning the
overall constraint network.
- Abstract(参考訳): ほとんどの最適化問題では、ユーザーは最適化する関数を明確に理解する(例えば、スケジューリング問題の最小化など)。
しかし、制約を述べるのは難しく、そのモデリングには制約プログラミングの専門知識がしばしば必要となる。
アクティブ制約獲得は、一連のクエリの生成を通じて制約ネットワークを学習する非経験ユーザのサポートに成功している。
本稿では,既知の目的関数と未知制約ネットワークを用いた最適化問題の解法であるLearn&Optimizeを提案する。
未知の制約を学習し、学習プロセス中に最適な解の境界を計算するアクティブ制約取得アルゴリズムを使用する。
その結果,制約ネットワーク全体を学習することなく,最適化問題を解くことが可能となった。
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) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳(メタデータ) (2023-06-15T08:33:52Z) - Oracle-Efficient Smoothed Online Learning for Piecewise Continuous Decision Making [73.48977854003697]
この研究は、複雑性という新しい概念、一般化ブラケット数を導入し、空間の大きさに対する敵の制約を結婚させる。
次に、オンライン予測や断片的連続関数の計画など、関心のあるいくつかの問題で境界をインスタンス化する。
論文 参考訳(メタデータ) (2023-02-10T18:45:52Z) - Multiobjective variational quantum optimization for constrained
problems: an application to Cash Management [45.82374977939355]
本稿では,変分量子アルゴリズムを用いた制約付き最適化問題の解法を提案する。
我々は、キャッシュマネジメント問題という、金融の極めて関連性の高い現実世界の問題について、我々の提案を検証した。
実験の結果, 実現したソリューションのコスト, 特に局所最小値の回避に関して, 大幅な改善が見られた。
論文 参考訳(メタデータ) (2023-02-08T17:09:20Z) - A Unifying Framework for Online Optimization with Long-Term Constraints [62.35194099438855]
我々は,意思決定者が長期的制約の対象となる一連の意思決定をしなければならないオンライン学習問題について検討する。
目標は、全報酬を最大化し、同時に、$T$ラウンド全体で小さな累積違反を達成することである。
本稿では,この一般クラス問題に対して,未知のモデルに基づいて報酬と制約が選択された場合と,各ラウンドで敵が選択した場合の双方において,最良世界型アルゴリズムを提示する。
論文 参考訳(メタデータ) (2022-09-15T16:59:19Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳(メタデータ) (2022-01-28T05:53:28Z) - Learning to Optimize Under Constraints with Unsupervised Deep Neural
Networks [0.0]
機械学習(ML)手法を提案し,汎用的制約付き連続最適化問題の解法を学習する。
本稿では,制約付き最適化問題をリアルタイムに解くための教師なしディープラーニング(DL)ソリューションを提案する。
論文 参考訳(メタデータ) (2021-01-04T02:58:37Z) - Unsupervised Deep Learning for Optimizing Wireless Systems with
Instantaneous and Statistic Constraints [29.823814915538463]
我々は、教師なしのディープラーニングを用いて、瞬時的制約と統計的制約の両方で、双方の問題を解決する統一的な枠組みを確立する。
教師なし学習は、最適政策の違反確率と近似精度の観点から教師あり学習より優れていることを示す。
論文 参考訳(メタデータ) (2020-05-30T13:37:14Z) - Teaching the Old Dog New Tricks: Supervised Learning with Constraints [18.88930622054883]
機械学習に制約サポートを追加することは、データ駆動型AIシステムにおいて際立った問題に対処する可能性がある。
既存のアプローチでは、MLトレーニングに制約付き最適化手法を適用し、モデル設計を調整することによって制約満足度を強制するか、あるいは出力を修正するために制約を使用するのが一般的である。
そこで本研究では,教師付きML手法に対する制約満足度を,最先端制約解決器の直接利用により,それぞれ異なる,補完的な制約満足度に基づく戦略について検討する。
論文 参考訳(メタデータ) (2020-02-25T09:47:39Z) - 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。