Fugu-MT 論文翻訳(概要): SimPO: Simultaneous Prediction and Optimization

論文の概要: SimPO: Simultaneous Prediction and Optimization

arxiv url: http://arxiv.org/abs/2204.00062v1
Date: Thu, 31 Mar 2022 20:01:36 GMT
ステータス: 処理完了
システム内更新日: 2022-04-04 14:39:40.219165
Title: SimPO: Simultaneous Prediction and Optimization
Title（参考訳）: simpo: 同時予測と最適化
Authors: Bing Zhang, Yuya Jeremy Ong, Taiga Nakamura
Abstract要約: 本稿では,同時予測最適化(SimPO)フレームワークの定式化を提案する。このフレームワークでは,決定駆動型予測MLモデルと最適化対象関数の重み付き損失を併用する。
参考スコア（独自算出の注目度）: 3.181417685380586
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many machine learning (ML) models are integrated within the context of a larger system as part of a key component for decision making processes. Concretely, predictive models are often employed in estimating the parameters for the input values that are utilized for optimization models as isolated processes. Traditionally, the predictive models are built first, then the model outputs are used to generate decision values separately. However, it is often the case that the prediction values that are trained independently of the optimization process produce sub-optimal solutions. In this paper, we propose a formulation for the Simultaneous Prediction and Optimization (SimPO) framework. This framework introduces the use of a joint weighted loss of a decision-driven predictive ML model and an optimization objective function, which is optimized end-to-end directly through gradient-based methods.
Abstract（参考訳）: 多くの機械学習(ML)モデルは、意思決定プロセスの重要なコンポーネントの一部として、より大きなシステムのコンテキストに統合されます。具体的には、最適化モデルとして利用される入力値のパラメータを分離プロセスとして推定するために予測モデルがしばしば用いられる。伝統的に、予測モデルはまず構築され、次にモデル出力を使用して決定値を別々に生成する。しかし、最適化プロセスとは独立に訓練された予測値が準最適解を生成することはしばしばある。本稿では,同時予測最適化(SimPO)フレームワークの定式化を提案する。このフレームワークは、決定駆動型予測MLモデルの重み付け損失と、勾配に基づく手法で直接エンドツーエンドに最適化された最適化対象関数を併用する。

関連論文リスト

An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文参考訳（メタデータ） (2024-09-04T14:36:20Z)
Multi-Reference Preference Optimization for Large Language Models [56.84730239046117]
複数の参照モデルを用いた直接選好最適化のための新しいクローズドフォームの定式化を提案する。得られたアルゴリズムであるMulti-Reference Preference Optimization (MRPO)は、様々な参照モデルからより広範な事前知識を活用する。 MRPOを微調整したLLMは,データ不足や多量性に関わらず,様々な嗜好データにおいてより一般化されていることを示す。
論文参考訳（メタデータ） (2024-05-26T00:29:04Z)
Soft Preference Optimization: Aligning Language Models to Expert Distributions [40.84391304598521]
SPOは、Large Language Models (LLMs)のような生成モデルと人間の好みを整合させる手法である。 SPOは、選好損失をモデル全体の出力分布全体にわたる正規化項と統合する。本稿では,SPOの方法論,理論的基礎,および単純さ,計算効率,アライメント精度における比較優位性について紹介する。
論文参考訳（メタデータ） (2024-04-30T19:48:55Z)
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)
Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文参考訳（メタデータ） (2023-11-13T13:19:34Z)
Regret Bounds and Experimental Design for Estimate-then-Optimize [9.340611077939828]
実用的なアプリケーションでは、データは見積もりと最適化の2つのステップで決定される。見積もりステップのエラーは、見積もりを最適化して、サブ最適決定に導くことができる。我々は、滑らかで制約のない最適化問題に対するこの後悔に縛られた小説を提供する。
論文参考訳（メタデータ） (2022-10-27T16:13:48Z)
Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
論文参考訳（メタデータ） (2021-08-27T19:03:32Z)
Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文参考訳（メタデータ） (2021-07-14T17:55:28Z)
An Extended Multi-Model Regression Approach for Compressive Strength Prediction and Optimization of a Concrete Mixture [0.0]
コンクリートの圧縮強度のモデルに基づく評価は, 強度予測と混合最適化の両方のために高い値である。複数の回帰手法の重み付け組み合わせにより予測モデルの精度を向上させるためのさらなる一歩を踏み出す。得られた多回帰モデルに基づいてGAに基づく混合最適化を提案する。
論文参考訳（メタデータ） (2021-06-13T16:10:32Z)
Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文参考訳（メタデータ） (2020-11-05T18:43:59Z)
Automatic selection of basis-adaptive sparse polynomial chaos expansions for engineering applications [0.0]
スパースカオス展開のための3つの最新技術に基づく基礎適応的アプローチについて述べる。我々は,大規模な計算モデルに対して,大域的近似精度の観点から広範なベンチマークを行う。クロスバリデーションエラーによって導かれる新しい解法と基底適応性選択スキームを導入する。
論文参考訳（メタデータ） (2020-09-10T12:13:57Z)

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。