論文の概要: A Framework for Inherently Interpretable Optimization Models
- arxiv url: http://arxiv.org/abs/2208.12570v1
- Date: Fri, 26 Aug 2022 10:32:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 13:36:54.834962
- Title: A Framework for Inherently Interpretable Optimization Models
- Title（参考訳）: 本質的に解釈可能な最適化モデルのためのフレームワーク
- Authors: Marc Goerigk and Michael Hartisch
- Abstract要約: 何十年も前に難解だった大規模な問題の解決は、今や日常的な課題である。
1つの大きな障壁は、最適化ソフトウェアがブラックボックスとして認識できることである。
本稿では、本質的に理解しやすい説明規則を持つ解を導出する最適化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With dramatic improvements in optimization software, the solution of
large-scale problems that seemed intractable decades ago are now a routine
task. This puts even more real-world applications into the reach of optimizers.
At the same time, solving optimization problems often turns out to be one of
the smaller difficulties when putting solutions into practice. One major
barrier is that the optimization software can be perceived as a black box,
which may produce solutions of high quality, but can create completely
different solutions when circumstances change leading to low acceptance of
optimized solutions. Such issues of interpretability and explainability have
seen significant attention in other areas, such as machine learning, but less
so in optimization. In this paper we propose an optimization framework to
derive solutions that inherently come with an easily comprehensible explanatory
rule, under which circumstances which solution should be chosen. Focussing on
decision trees to represent explanatory rules, we propose integer programming
formulations as well as a heuristic method that ensure applicability of our
approach even for large-scale problems. Computational experiments using random
and real-world data indicate that the costs of inherent interpretability can be
very small.
- Abstract（参考訳）: 最適化ソフトウェアの劇的な改善により、何十年も前に難解だった大規模な問題の解決は、今や日常的な課題となっている。
これにより、より現実世界のアプリケーションがオプティマイザのリーチに入ります。
同時に、最適化問題の解決は、しばしば、ソリューションを実践する際のより小さな困難の1つだと判明する。
ひとつの大きな障壁は、最適化ソフトウェアがブラックボックスとして認識され、高品質のソリューションを生み出すが、状況が変化して最適化されたソリューションが受け入れられなくなると、まったく異なるソリューションを作ることができることである。
このような解釈可能性と説明可能性の問題は、機械学習など他の分野でも注目されているが、最適化ではそれほど注目されていない。
本稿では,解を選択すべき状況において,解を本質的に理解し易い説明規則で導出する最適化手法を提案する。
説明規則を表す決定木に着目し,整数型プログラミングの定式化と,大規模問題に対しても適用性を確保するヒューリスティックな手法を提案する。
ランダムおよび実世界のデータを用いた計算実験は、固有の解釈可能性のコストが非常に小さいことを示している。
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) - 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) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - 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) - 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) - Learning to Optimize Under Constraints with Unsupervised Deep Neural
Networks [0.0]
機械学習(ML)手法を提案し,汎用的制約付き連続最適化問題の解法を学習する。
本稿では,制約付き最適化問題をリアルタイムに解くための教師なしディープラーニング(DL)ソリューションを提案する。
論文 参考訳（メタデータ） (2021-01-04T02:58:37Z) - Learning the Solution Manifold in Optimization and Its Application in
Motion Planning [4.177892889752434]
我々は、変数のような変数上の多様体を学習し、そのようなモデルは無限の解の集合を表す。
本フレームワークでは,この重要度を用いて問題推定を行う。
本研究では,高次元パラメータの最適化を含む動き計画問題に適用する。
論文 参考訳（メタデータ） (2020-07-24T08:05:36Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z) - Bio-inspired Optimization: metaheuristic algorithms for optimization [0.0]
今日の日時において、現実世界の複雑な問題を解決することは、根本的に重要で重要な課題となっている。
従来の最適化手法は小規模な問題に有効であることが判明した。
現実の大規模な問題では、従来の手法はスケールアップしないか、最適解を得ることができないか、あるいは長時間実行した後で解決策を提示する。
論文 参考訳（メタデータ） (2020-02-24T13:26:34Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。