論文の概要: Machine Learning for Combinatorial Optimisation of Partially-Specified
Problems: Regret Minimisation as a Unifying Lens
- arxiv url: http://arxiv.org/abs/2205.10157v1
- Date: Fri, 20 May 2022 13:06:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 15:06:07.596749
- Title: Machine Learning for Combinatorial Optimisation of Partially-Specified
Problems: Regret Minimisation as a Unifying Lens
- Title（参考訳）: 部分特定問題の組合せ最適化のための機械学習:統一レンズとしてのレグレット最小化
- Authors: Stefano Teso, Laurens Bliek, Andrea Borghesi, Michele Lombardi, Neil
Yorke-Smith, Tias Guns, Andrea Passerini
- Abstract要約: 部分的に特定された最適化問題を解くことは、ますます一般的になっている。
課題は、一連の厳しい制約を考慮して、利用可能なデータからそれらを学ぶことだ。
本稿では,難解な最適化問題の目的関数を学習したと見なすことのできる,一見無関係な4つのアプローチについて概説する。
- 参考スコア（独自算出の注目度）: 34.87439325210671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is increasingly common to solve combinatorial optimisation problems that
are partially-specified. We survey the case where the objective function or the
relations between variables are not known or are only partially specified. The
challenge is to learn them from available data, while taking into account a set
of hard constraints that a solution must satisfy, and that solving the
optimisation problem (esp. during learning) is computationally very demanding.
This paper overviews four seemingly unrelated approaches, that can each be
viewed as learning the objective function of a hard combinatorial optimisation
problem: 1) surrogate-based optimisation, 2) empirical model learning, 3)
decision-focused learning (`predict + optimise'), and 4) structured-output
prediction. We formalise each learning paradigm, at first in the ways commonly
found in the literature, and then bring the formalisations together in a
compatible way using regret. We discuss the differences and interactions
between these frameworks, highlight the opportunities for cross-fertilization
and survey open directions.
- Abstract（参考訳）: 部分的に特定された組合せ最適化問題を解くことはますます一般的である。
目的関数や変数間の関係が分かっていない場合や部分的に特定されている場合について検討する。
課題は、ソリューションが満たさなければならない一連の厳しい制約を考慮しつつ、利用可能なデータからそれらを学ぶことである。
本稿では,ハードコンビネート最適化問題の目的関数を学習できる,一見無関係な4つのアプローチについて概説する。
1)代理に基づく最適化
2)経験的モデル学習
3)意思決定中心の学習(「予測+最適化」)、
4) 構造出力予測。
文献でよく見られる方法で、まずは各学習パラダイムを形式化し、その後、後悔を用いて形式化を互換性のある方法でまとめます。
我々はこれらのフレームワークの違いと相互作用について議論し、交配の機会を強調し、オープンな方向を調査する。
関連論文リスト
- Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-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。
本稿では,共同予測モデルを用いて観測可能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） (2024-09-07T19:52:14Z) - Can Learned Optimization Make Reinforcement Learning Less Difficult? [70.5036361852812]
学習の最適化が強化学習の難しさを克服するのに役立つかどうかを検討する。
本稿では, 塑性, 探索および非定常性のための学習最適化手法(OPEN)を用いて, 入力特性と出力構造がこれらの困難に対して予め提案された情報によって通知される更新規則をメタラーニングする。
論文 参考訳（メタデータ） (2024-07-09T17:55:23Z) - Graph Reinforcement Learning for Combinatorial Optimization: A Survey and Unifying Perspective [6.199818486385127]
我々は、強化学習の試行錯誤パラダイムを用いて、より良い意思決定戦略を発見する。
この研究は、パフォーマンスアルゴリズムが典型的に知られていない非標準グラフ問題に焦点を当てている。
論文 参考訳（メタデータ） (2024-04-09T17:45:25Z) - 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) - 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) - Generalization In Multi-Objective Machine Learning [27.806085423595334]
マルチオブジェクト学習は、早期のトレードオフにコミットすることなく、このような問題に対処するための自然なフレームワークを提供する。
統計的学習理論は、これまでのところ、多目的学習の一般化特性についてはほとんど洞察を提供していない。
論文 参考訳（メタデータ） (2022-08-29T11:06:39Z) - 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) - 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) - USCO-Solver: Solving Undetermined Stochastic Combinatorial Optimization
Problems [9.015720257837575]
入力-解対のサンプルから高品質な最適化解を推定することを目的として,空間間の回帰を考察する。
基礎学習にはPAC-Bayesianフレームワークを用いて学習エラー分析を行う。
我々は,合成データセットと実世界のデータセットの両方において,古典的な問題に対する高い励振実験結果を得た。
論文 参考訳（メタデータ） (2021-07-15T17:59:08Z) - Learning Hard Optimization Problems: A Data Generation Perspective [44.4747903763245]
本稿では,トレーニングデータのボラティリティと,それを近似する能力について述べる。
そこで本研究では,教師付きタスクに対処可能な最適化問題に対して,(実際にあるいは近似的に)解を生成(生成)する方法を提案する。
論文 参考訳（メタデータ） (2021-06-04T17:03:44Z)
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。