論文の概要: Learning To Cut By Looking Ahead: Cutting Plane Selection via Imitation Learning

• arxiv url: http://arxiv.org/abs/2206.13414v1
• Date: Mon, 27 Jun 2022 16:07:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 17:13:04.880577
• Title: Learning To Cut By Looking Ahead: Cutting Plane Selection via Imitation Learning
• Title（参考訳）: 前方視によるカットへの学習: 模倣学習によるカットプレーン選択
• Authors: Max B. Paulus, Giulia Zarpellon, Andreas Krause, Laurent Charlin, Chris J. Maddison
• Abstract要約: 我々は、最良限の改善をもたらすカットを明示的に目指している欲求選択規則が、カット選択に対して強い決定を下すことを示す。 本研究では,頭頂部の専門家を対象とした模擬学習のための新しいニューラルアーキテクチャ(NeuralCut)を提案する。
• 参考スコア（独自算出の注目度）: 80.45697245527019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cutting planes are essential for solving mixed-integer linear problems (MILPs), because they facilitate bound improvements on the optimal solution value. For selecting cuts, modern solvers rely on manually designed heuristics that are tuned to gauge the potential effectiveness of cuts. We show that a greedy selection rule explicitly looking ahead to select cuts that yield the best bound improvement delivers strong decisions for cut selection - but is too expensive to be deployed in practice. In response, we propose a new neural architecture (NeuralCut) for imitation learning on the lookahead expert. Our model outperforms standard baselines for cut selection on several synthetic MILP benchmarks. Experiments with a B&C solver for neural network verification further validate our approach, and exhibit the potential of learning methods in this setting.
• Abstract（参考訳）: 混合整数線形問題 (milp) の解には, 最適解値に対する境界的改善が促進されるため, 切削面が不可欠である。 カットを選択するには、現代の解法はカットの有効性を評価するために調整された手動設計のヒューリスティックに依存する。 ベストバウンドな改善をもたらすカットの選択を明示的に検討している欲望の選択ルールは、カット選択に対して強い決定を与えるが、実際にデプロイするには高価すぎる。 そこで本研究では,表情のエキスパートに模倣学習を行うためのニューラル・アーキテクチャ(ニューラルカット)を提案する。 本モデルは,いくつかのMILPベンチマークにおいて,カット選択のための標準ベースラインよりも優れる。 ニューラルネットワーク検証のためのb&cソルバを用いた実験は,本手法をさらに検証し,学習手法の可能性を示す。

関連論文リスト

• Learning to Remove Cuts in Integer Linear Programming [57.15699051569638]
  本研究では, 学習可能なパラメトリック基準の下で, 手法の前回の繰り返しで導入された前回のカットの除去について検討する。 基本的な最適化設定では、カット削除ポリシーは、ヒューマンベースおよび機械学習誘導のカット追加ポリシーよりも大幅に改善される可能性があることを実証する。
  論文  参考訳（メタデータ） (2024-06-26T22:50:43Z)
• Learning to Cut via Hierarchical Sequence/Set Model for Efficient Mixed-Integer Programming [61.59888010725235]
  混合整数線形プログラム(MILP)の解法における切削平面(カット)の役割 カット選択ポリシーを学習するための新しい階層型シーケンス/セットモデル(HEM)を提案する。 HEMは、(P1)-(P3)を同時に扱う最初のデータ駆動手法である。
  論文  参考訳（メタデータ） (2024-04-19T05:40:25Z)
• Deep Reinforcement Learning for Picker Routing Problem in Warehousing [0.6562256987706128]
  本稿では、強化学習を用いて学習したピッカーツアーをモデル化するための注意に基づくニューラルネットワークを提案する。 提案手法の重要な利点は,経路の複雑さを低減できるオプションを提供することである。
  論文  参考訳（メタデータ） (2024-02-05T21:25:45Z)
• Learning Cut Selection for Mixed-Integer Linear Programming via Hierarchical Sequence Model [81.56473654324328]
  本稿では,強化学習によるカット選択ポリシーを学習するための新しい階層型シーケンスモデル(HEM)を提案する。 HEMはデータ駆動の観点から(P1)-(P3)のカット選択に対処できる最初の方法である。 実験の結果,HEMは人間設計および学習ベースラインと比較してMILPの解法効率を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-02-01T04:59:55Z)
• Adaptive Cut Selection in Mixed-Integer Linear Programming [0.294944680995069]
  カットセレクション(英: cut selection)は、現代の全ての混合整数線形計画解法で用いられるサブルーチンである。 混合整数線形プログラムのファミリーを、無限に多くのファミリーワイド有効なカットと共に提示する。 特定のカット選択規則について、パラメータ空間の有限グリッド探索は常に全てのパラメータ値を見逃すことを示す。
  論文  参考訳（メタデータ） (2022-02-22T15:07:33Z)
• Learning to Select Cuts for Efficient Mixed-Integer Programming [46.60355046375608]
  複数インスタンス学習の設定において,データ駆動型で一般化可能なカット選択手法であるカットランキングを提案する。 カットランキングは、大規模MIPのための産業用解決器に展開されている。 解法の平均スピードアップ比は12.42%に達し、解の精度を損なうことなく製造された。
  論文  参考訳（メタデータ） (2021-05-28T07:48:34Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)

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。