論文の概要: The Machine Learning for Combinatorial Optimization Competition (ML4CO): Results and Insights

• arxiv url: http://arxiv.org/abs/2203.02433v1
• Date: Fri, 4 Mar 2022 17:06:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 14:34:27.678309
• Title: The Machine Learning for Combinatorial Optimization Competition (ML4CO): Results and Insights
• Title（参考訳）: ML4COのための機械学習 - 結果と洞察
• Authors: Maxime Gasse, Quentin Cappart, Jonas Charfreitag, Laurent Charlin, Didier Ch\'etelat, Antonia Chmiela, Justin Dumouchelle, Ambros Gleixner, Aleksandr M. Kazachkov, Elias Khalil, Pawel Lichocki, Andrea Lodi, Miles Lubin, Chris J. Maddison, Christopher Morris, Dimitri J. Papageorgiou, Augustin Parjadis, Sebastian Pokutta, Antoine Prouvost, Lara Scavuzzo, Giulia Zarpellon, Linxin Yangm, Sha Lai, Akang Wang, Xiaodong Luo, Xiang Zhou, Haohan Huang, Shengcheng Shao, Yuanming Zhu, Dong Zhang, Tao Quan, Zixuan Cao, Yang Xu, Zhewei Huang, Shuchang Zhou, Chen Binbin, He Minggui, Hao Hao, Zhang Zhiyu, An Zhiwu, Mao Kun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.93939636422896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combinatorial optimization is a well-established area in operations research and computer science. Until recently, its methods have focused on solving problem instances in isolation, ignoring that they often stem from related data distributions in practice. However, recent years have seen a surge of interest in using machine learning as a new approach for solving combinatorial problems, either directly as solvers or by enhancing exact solvers. Based on this context, the ML4CO aims at improving state-of-the-art combinatorial optimization solvers by replacing key heuristic components. The competition featured three challenging tasks: finding the best feasible solution, producing the tightest optimality certificate, and giving an appropriate solver configuration. Three realistic datasets were considered: balanced item placement, workload apportionment, and maritime inventory routing. This last dataset was kept anonymous for the contestants.
• Abstract（参考訳）: 組合せ最適化は、オペレーション研究とコンピュータ科学において確立された分野である。 最近まで、その手法は個別に問題インスタンスを解くことに重点を置いており、それらが実際に関連するデータ分散に由来することが多いことを無視してきた。 しかし、近年は、直接解法として、あるいは正確な解法として、組合せ問題を解く新しいアプローチとして機械学習を使うことへの関心が高まっている。 このコンテキストに基づいて、ML4COは、キーヒューリスティックコンポーネントを置き換えることで、最先端の組合せ最適化問題を改善しようとしている。 このコンペには3つの難題があった: 最善の解を見つけること、最も厳密な最適性証明を作成し、適切な解法の構成を与えること。 バランスの取れたアイテム配置、ワークロードの配置、海上在庫ルーティングの3つの現実的なデータセットが検討された。 この最後のデータセットは、競技者に匿名で保持された。

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)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• 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)
• Optimizer Amalgamation [124.33523126363728]
  私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか? まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。 また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
  論文  参考訳（メタデータ） (2022-03-12T16:07:57Z)
• 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)
• 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 [8.09193285529236]
  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。
  論文  参考訳（メタデータ） (2021-12-22T22:40:13Z)
• End-to-End Constrained Optimization Learning: A Survey [69.22203885491534]
  機械学習アーキテクチャとソルバと最適化手法を統合する作業の調査に焦点を当てている。 これらのアプローチは、問題に対する迅速、近似、構造的、解決策を予測し、論理的推論を可能にする新しいハイブリッド機械学習と最適化手法を開発することを約束します。
  論文  参考訳（メタデータ） (2021-03-30T14:19:30Z)
• SeaPearl: A Constraint Programming Solver guided by Reinforcement Learning [0.0]
  本稿では,Juliaで実装された新しい制約プログラミング問題であるSeaPearlの概念実証について述べる。 seapearlは強化学習を使用して分岐決定を学ぶために機械学習ルーチンをサポートする。 産業用ソリューションとはまだ競合していないが、seapearlは柔軟でオープンソースなフレームワークを提供することを目指している。
  論文  参考訳（メタデータ） (2021-02-18T07:34:38Z)
• Combining Reinforcement Learning and Constraint Programming for Combinatorial Optimization [5.669790037378094]
  目標は、有限個の可能性の集合の中で最適解を見つけることである。 深部強化学習(DRL)はNP-ハード最適化問題を解くことを約束している。 制約プログラミング(CP)は最適化問題を解決する汎用ツールである。 本研究では,最適化問題の解法としてDRLとCPを用いた汎用ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2020-06-02T13:54:27Z)
• 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。