論文の概要: PyEPO: A PyTorch-based End-to-End Predict-then-Optimize Library for
Linear and Integer Programming
- arxiv url: http://arxiv.org/abs/2206.14234v2
- Date: Fri, 14 Apr 2023 14:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 17:15:05.667623
- Title: PyEPO: A PyTorch-based End-to-End Predict-then-Optimize Library for
Linear and Integer Programming
- Title（参考訳）: PyEPO: 線形および整数プログラミングのためのPyTorchベースの予測テーマ最適化ライブラリ
- Authors: Bo Tang, Elias B. Khalil
- Abstract要約: 我々はPythonのPyTorchベースのエンドツーエンド予測最適化ライブラリであるPyEPOパッケージを提示する。
PyEPOは、予測対象関数係数を持つ線形および整数プログラミングのための最初の汎用ツールである。
- 参考スコア（独自算出の注目度）: 9.764407462807588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In deterministic optimization, it is typically assumed that all problem
parameters are fixed and known. In practice, however, some parameters may be a
priori unknown but can be estimated from historical data. A typical
predict-then-optimize approach separates predictions and optimization into two
stages. Recently, end-to-end predict-then-optimize has become an attractive
alternative. In this work, we present the PyEPO package, a PyTorchbased
end-to-end predict-then-optimize library in Python. To the best of our
knowledge, PyEPO (pronounced like pineapple with a silent "n") is the first
such generic tool for linear and integer programming with predicted objective
function coefficients. It provides four base algorithms: a convex surrogate
loss function from the seminal work of Elmachtoub and Grigas [16], a
differentiable black-box solver approach of Pogancic et al. [35], and two
differentiable perturbation-based methods from Berthet et al. [6]. PyEPO
provides a simple interface for the definition of new optimization problems,
the implementation of state-of-the-art predict-then-optimize training
algorithms, the use of custom neural network architectures, and the comparison
of end-to-end approaches with the two-stage approach. PyEPO enables us to
conduct a comprehensive set of experiments comparing a number of end-to-end and
two-stage approaches along axes such as prediction accuracy, decision quality,
and running time on problems such as Shortest Path, Multiple Knapsack, and the
Traveling Salesperson Problem. We discuss some empirical insights from these
experiments, which could guide future research. PyEPO and its documentation are
available at https://github.com/khalil-research/PyEPO.
- Abstract（参考訳）: 決定論的最適化では、一般にすべての問題パラメータが固定され、知られていると仮定される。
しかし実際には、いくつかのパラメータは前もって不明であるが、歴史的データから推定できる。
典型的な予測テーマ最適化アプローチは、予測と最適化を2段階に分ける。
近年,エンド・ツー・エンドの予測最適化が魅力的な選択肢となっている。
本稿ではPythonのPyTorchベースのエンドツーエンド予測最適化ライブラリであるPyEPOパッケージを紹介する。
我々の知る限り、PyEPO(サイレントな"n"を持つパイナップルのように発音される)は、予測対象関数係数を持つ線形および整数プログラミングのための最初の汎用ツールである。
これは4つの基本アルゴリズムを提供する: 凸サーロゲート損失関数 elmachtoub と grigas [16] の独創的な仕事から得られる凸サーロゲート損失関数、ポガンシックらによる微分可能なブラックボックスソルバアプローチ。
[35]およびベルテットらによる2つの異なる摂動に基づく方法
[6].
pyepoは、新しい最適化問題の定義のためのシンプルなインターフェース、最先端の予測最適化トレーニングアルゴリズムの実装、カスタムニューラルネットワークアーキテクチャの使用、エンドツーエンドアプローチと2段階アプローチの比較を提供する。
PyEPOにより、予測精度、意思決定品質、最短経路、複数クナップサック、旅行セールスパーソン問題といった問題に対する実行時間など、複数のエンドツーエンドおよび2段階のアプローチを比較した総合的な実験を行うことができる。
これらの実験から得られた経験的知見を議論し、今後の研究を導く。
PyEPOとそのドキュメントはhttps://github.com/khalil-research/PyEPOで公開されている。
関連論文リスト
- Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳（メタデータ） (2024-02-05T02:54:50Z) - Decision-focused predictions via pessimistic bilevel optimization: a computational study [0.7499722271664147]
最適化パラメータの不確かさは、重要かつ長年にわたる課題である。
予測モデルを構築して,それを用いた意思決定の文言的指標を測定します。
トラクタビリティを実現するために,様々な計算手法を示す。
論文 参考訳（メタデータ） (2023-12-29T15:05:00Z) - PyBADS: Fast and robust black-box optimization in Python [11.4219428942199]
PyBADSは、高速で堅牢なブラックボックス最適化のためのAdaptive Direct Search (BADS)アルゴリズムの実装である。
結果を実行するアルゴリズムを実行するための、使い易いPythonインターフェースとともに提供される。
論文 参考訳（メタデータ） (2023-06-27T15:54:44Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - Efficient first-order predictor-corrector multiple objective
optimization for fair misinformation detection [5.139559672771439]
多重目的最適化(MOO)は、複数の競合する目的を同時に最適化することを目的としており、機械学習において重要な応用を見出した。
本稿では,線形にしかスケールしないガウスニュートン近似を提案し,イテレーション毎に一階内積しか必要としない。
このイノベーションは、大規模ネットワークで予測器のコレクタを可能にする。
論文 参考訳（メタデータ） (2022-09-15T12:32:15Z) - Towards Learning Universal Hyperparameter Optimizers with Transformers [57.35920571605559]
我々は,テキストベースのトランスフォーマーHPOフレームワークであるOptFormerを紹介した。
実験の結果,OptFormerは少なくとも7種類のHPOアルゴリズムを模倣できることがわかった。
論文 参考訳（メタデータ） (2022-05-26T12:51:32Z) - Planning and Learning with Adaptive Lookahead [74.39132848733847]
ポリシーイテレーション(PI)アルゴリズムは、欲求の一段階の改善と政策評価を交互に行う。
近年の文献では、複数段階のルックアヘッドポリシーの改善が、イテレーション毎の複雑さの増加を犠牲にして、よりコンバージェンス率の向上につながることが示されている。
本研究では,多段階の地平線を状態と推定値の関数として動的に適応する手法を初めて提案する。
論文 参考訳（メタデータ） (2022-01-28T20:26:55Z) - PEPit: computer-assisted worst-case analyses of first-order optimization methods in Python [8.603842959054939]
PEPitはPythonパッケージで、コンピュータ支援による一階最適化手法の最悪のケース解析を可能にする。
パッケージはSDPモデリング部品を処理し、最悪のケース解析は標準解法を介して数値的に行われる。
論文 参考訳（メタデータ） (2022-01-11T16:35:22Z) - The Perils of Learning Before Optimizing [16.97597806975415]
本稿では,最適化タスクを通じて予測モデルを識別することで,エンドツーエンドで予測モデルを学習する方法を示す。
2段階のアプローチとエンドツーエンドのアプローチのパフォーマンスギャップは、最適化における相関の概念の強調と密接に関係していることが示される。
論文 参考訳（メタデータ） (2021-06-18T20:43:47Z) - Divide and Learn: A Divide and Conquer Approach for Predict+Optimize [50.03608569227359]
予測+最適化問題は、予測係数を使用する最適化プロブレムと、確率係数の機械学習を組み合わせる。
本稿では, 予測係数を1次線形関数として, 最適化問題の損失を直接表現する方法を示す。
本稿では,この制約を伴わずに最適化問題に対処し,最適化損失を用いてその係数を予測する新しい分割アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-04T00:26:56Z) - Implicit differentiation of Lasso-type models for hyperparameter
optimization [82.73138686390514]
ラッソ型問題に適した行列逆転のない効率的な暗黙微分アルゴリズムを提案する。
提案手法は,解の空間性を利用して高次元データにスケールする。
論文 参考訳（メタデータ） (2020-02-20T18:43:42Z)
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。