論文の概要: Constrained Machine Learning: The Bagel Framework
- arxiv url: http://arxiv.org/abs/2112.01088v1
- Date: Thu, 2 Dec 2021 10:10:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 15:03:35.571476
- Title: Constrained Machine Learning: The Bagel Framework
- Title(参考訳): 制約付き機械学習: Bagel Framework
- Authors: Guillaume Perez, Sebastian Ament, Carla Gomes, Arnaud Lallouet
- Abstract要約: 制約付き機械学習問題は、学習したモデルが正確で、制約を尊重しなければならない問題である。
本研究の目的は,制約付き機械学習問題のモデリング能力を最適化から組み込むことで拡張することである。
機械学習には特定の要件があるため、仮説の空間を分割する拡張テーブル制約も提案する。
- 参考スコア(独自算出の注目度): 5.945320097465419
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models are widely used for real-world applications, such as
document analysis and vision. Constrained machine learning problems are
problems where learned models have to both be accurate and respect constraints.
For continuous convex constraints, many works have been proposed, but learning
under combinatorial constraints is still a hard problem. The goal of this paper
is to broaden the modeling capacity of constrained machine learning problems by
incorporating existing work from combinatorial optimization. We propose first a
general framework called BaGeL (Branch, Generate and Learn) which applies
Branch and Bound to constrained learning problems where a learning problem is
generated and trained at each node until only valid models are obtained.
Because machine learning has specific requirements, we also propose an extended
table constraint to split the space of hypotheses. We validate the approach on
two examples: a linear regression under configuration constraints and a
non-negative matrix factorization with prior knowledge for latent semantics
analysis.
- Abstract(参考訳): 機械学習モデルはドキュメント分析やビジョンといった現実世界のアプリケーションで広く使われている。
制約付き機械学習問題は、学習したモデルを正確かつ尊重しなければならない問題である。
連続凸制約については、多くの研究が提案されているが、組合せ制約下での学習は依然として難しい問題である。
本論文の目的は,コンビネート最適化による既存作業を組み込むことにより,制約付き機械学習問題のモデル化能力を広げることである。
まず,各ノードで学習問題を生成・訓練する制約付き学習問題に対して,有効なモデルのみを得るまでブランチとバウンドを適用するBaGeL(Branch, Generate and Learn)という一般的なフレームワークを提案する。
機械学習には特定の要件があるため、仮説の空間を分割する拡張テーブル制約も提案する。
提案手法は,構成制約下での線形回帰と,潜在意味論解析の事前知識を用いた非負行列分解の2つの例で検証する。
関連論文リスト
- Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。
これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。
この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
論文 参考訳(メタデータ) (2024-03-18T14:55:45Z) - A General Framework for Learning from Weak Supervision [93.89870459388185]
本稿では、新しいアルゴリズムを用いて、弱監督(GLWS)から学習するための一般的な枠組みを紹介する。
GLWSの中心は期待最大化(EM)の定式化であり、様々な弱い監督源を順応的に収容している。
また,EM計算要求を大幅に単純化する高度なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-02T21:48:50Z) - Learning to Learn in Interactive Constraint Acquisition [7.741303298648302]
制約獲得(CA:Constraint Acquisition)では、モデルを自動的に学習することでユーザを支援することが目標である。
アクティブCAでは、クエリを対話的にユーザにポストすることでこれを行う。
本稿では、確率論的分類モデルを用いて対話型CAを誘導し、より有望なクエリを生成することを提案する。
論文 参考訳(メタデータ) (2023-12-17T19:12:33Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳(メタデータ) (2022-11-16T18:59:54Z) - Efficient lifting of symmetry breaking constraints for complex
combinatorial problems [9.156939957189502]
この作業は、Answer Set Programmingのためのモデルベースのアプローチの学習フレームワークと実装を拡張します。
Inductive Logic Programming System ILASPに新たなコンフリクト解析アルゴリズムを組み込む。
論文 参考訳(メタデータ) (2022-05-14T20:42:13Z) - SaDe: Learning Models that Provably Satisfy Domain Constraints [16.46852109556965]
我々は、さまざまな制約を処理できる機械学習アプローチを提案し、これらの制約が目に見えないデータでもモデルによって満たされることを保証する。
機械学習を最大満足度問題とみなし,制約満足度と勾配降下度を組み合わせた新しいアルゴリズムSaDeを用いて解いた。
論文 参考訳(メタデータ) (2021-12-01T15:18:03Z) - Constrained Learning with Non-Convex Losses [119.8736858597118]
学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
論文 参考訳(メタデータ) (2021-03-08T23:10:33Z) - Sufficiently Accurate Model Learning for Planning [119.80502738709937]
本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。
これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。
近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
論文 参考訳(メタデータ) (2021-02-11T16:27:31Z) - 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) - 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)
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。