論文の概要: ML4CO: Is GCNN All You Need? Graph Convolutional Neural Networks Produce
Strong Baselines For Combinatorial Optimization Problems, If Tuned and
Trained Properly, on Appropriate Data
- arxiv url: http://arxiv.org/abs/2112.12251v1
- Date: Wed, 22 Dec 2021 22:40:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 14:59:06.747386
- Title: ML4CO: Is GCNN All You Need? Graph Convolutional Neural Networks Produce
Strong Baselines For Combinatorial Optimization Problems, If Tuned and
Trained Properly, on Appropriate Data
- Title（参考訳）: ml4co: gcnnは必要か?
グラフ畳み込みニューラルネットワークは、適切なデータに基づいて、適切に調整および訓練された場合の組合せ最適化問題の強力なベースラインを生成する
- Authors: Amin Banitalebi-Dehkordi and Yong Zhang
- Abstract要約: 本稿では,2021年のNeurIPS Machine Learning for Combinatorial Optimization (ML4CO)コンペでHuawei EI-OROASチームが学んだソリューションと教訓を要約する。
チームの応募は最終ランキングで2位となり、第1位に近かった。
簡単なグラフ畳み込みニューラルネットワーク(GCNN)は、トレーニングやチューニングを適切に行うと、最先端の結果が得られると論じる。
- 参考スコア（独自算出の注目度）: 8.09193285529236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The 2021 NeurIPS Machine Learning for Combinatorial Optimization (ML4CO)
competition was designed with the goal of improving state-of-the-art
combinatorial optimization solvers by replacing key heuristic components with
machine learning models. The competition's main scientific question was the
following: is machine learning a viable option for improving traditional
combinatorial optimization solvers on specific problem distributions, when
historical data is available? This was motivated by the fact that in many
practical scenarios, the data changes only slightly between the repetitions of
a combinatorial optimization problem, and this is an area where machine
learning models are particularly powerful at. This paper summarizes the
solution and lessons learned by the Huawei EI-OROAS team in the dual task of
the competition. The submission of our team achieved the second place in the
final ranking, with a very close distance to the first spot. In addition, our
solution was ranked first consistently for several weekly leaderboard updates
before the final evaluation. We provide insights gained from a large number of
experiments, and argue that a simple Graph Convolutional Neural Network (GCNNs)
can achieve state-of-the-art results if trained and tuned properly.
- Abstract（参考訳）: 2021 NeurIPS Machine Learning for Combinatorial Optimization (ML4CO)コンペティションは、キーヒューリスティックコンポーネントを機械学習モデルに置き換えることによって、最先端の組合せ最適化ソリューションを改善することを目的として設計された。
機械学習は、歴史的データが利用可能である場合に、特定の問題分布に関する従来の組合せ最適化ソルバを改善するための実行可能な選択肢か?
これは、多くの現実的なシナリオにおいて、データは組合せ最適化問題の繰り返しの間にわずかにしか変化せず、機械学習モデルが特に強力である領域であるという事実によって動機づけられた。
本稿では,Huawei EI-OROASチームによる2つの課題の解決と教訓を要約する。
私たちのチームの応募は、最終ランキングで2位となり、第1位に非常に近かった。
さらに、我々のソリューションは、最終評価の前に毎週のリーダーボード更新でトップにランクインした。
我々は、多数の実験から得られた知見を提供し、訓練とチューニングが適切に行えば、単純なグラフ畳み込みニューラルネットワーク(gcnn)が最先端の結果を達成できると主張する。
関連論文リスト
- Exact Combinatorial Optimization with Temporo-Attentional Graph Neural
Networks [17.128882942475]
本稿では,機械学習アルゴリズムの時間的特徴と注意点の2つの重要な側面について検討する。
分岐とバウンド(B&B)アルゴリズムにおける変数選択のタスクでは、時間情報と二部グラフの注意を組み込むことで、解法の性能が向上すると主張している。
論文 参考訳（メタデータ） (2023-11-23T08:07:15Z) - Unsupervised Learning for Combinatorial Optimization Needs Meta-Learning [14.86600327306136]
最適化のための教師なし学習(CO)の一般的なフレームワークは、出力がCOの目的を直接最適化することで問題解決をもたらすニューラルネットワーク(NN)を訓練することである。
本研究では,COにおける教師なし学習の新たな目的について提案する。この学習の目的は,直接的な解決策を与えるのではなく,将来の問題インスタンスの優れた初期化を探すことである。
微調整前のモデルが与える初期解だけでも, 様々な評価条件下では, ベースラインを著しく上回る結果が得られます。
論文 参考訳（メタデータ） (2023-01-08T22:14:59Z) - 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) - The Machine Learning for Combinatorial Optimization Competition (ML4CO):
Results and Insights [59.93939636422896]
ML4COは、キーコンポーネントを置き換えることで最先端の最適化問題を解決することを目的としている。
このコンペティションでは、最高の実現可能なソリューションを見つけること、最も厳密な最適性証明書を生成すること、適切なルーティング設定を提供すること、という3つの課題があった。
論文 参考訳（メタデータ） (2022-03-04T17:06:00Z) - Yordle: An Efficient Imitation Learning for Branch and Bound [1.6758573326215689]
本研究では,2021年のNeurIPS Machine Learning for Combinatorial Optimization (ML4CO)コンペティションにおいて,チームqqyが得たソリューションと洞察を紹介する。
我々のソリューションは、ブランチ・アンド・バウンド(B&B)のパフォーマンス改善のための、Yordleという名前の非常に効率的な模倣学習フレームワークです。
我々の実験では、Yordleは、決定モデルのトレーニングに要する時間とデータの量を大幅に削減しながら、競争によって採用されるベースラインアルゴリズムを大幅に上回っている。
論文 参考訳（メタデータ） (2022-02-02T14:46:30Z) - GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed
Graph Neural Networks [68.61934077627085]
本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。
既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-02-01T04:19:50Z) - A Bi-Level Framework for Learning to Solve Combinatorial Optimization on
Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。
このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文 参考訳（メタデータ） (2021-06-09T09:18:18Z) - Combinatorial optimization and reasoning with graph neural networks [7.8107109904672365]
コンビナート最適化は、オペレーション研究とコンピュータサイエンスにおいて確立された領域です。
近年、機械学習、特にグラフニューラルネットワーク(GNN)をタスクの重要なビルディングブロックとして使用することへの関心が高まっています。
論文 参考訳（メタデータ） (2021-02-18T18:47:20Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-12-23T09:33:11Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
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。