論文の概要: Black-box optimization for integer-variable problems using Ising
machines and factorization machines
- arxiv url: http://arxiv.org/abs/2209.01016v1
- Date: Thu, 1 Sep 2022 09:16:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-09-05 13:04:02.180541
- Title: Black-box optimization for integer-variable problems using Ising
machines and factorization machines
- Title（参考訳）: イジングマシンと分解マシンを用いた整数変数問題に対するブラックボックス最適化
- Authors: Yuya Seki, Ryo Tamura, Shu Tanaka
- Abstract要約: そこで本研究では,Ising/annealingマシンとFacterizationマシンを用いた整数可変ブラックボックス最適化問題に対するアプローチを提案する。
提案手法は,任意の整数符号化手法を用いてエネルギーを計算することができる。
- 参考スコア（独自算出の注目度）: 0.8057006406834467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Black-box optimization has potential in numerous applications such as
hyperparameter optimization in machine learning and optimization in design of
experiments. Ising machines are useful for binary optimization problems because
variables can be represented by a single binary variable of Ising machines.
However, conventional approaches using an Ising machine cannot handle black-box
optimization problems with non-binary values. To overcome this limitation, we
propose an approach for integer-variable black-box optimization problems by
using Ising/annealing machines and factorization machines in cooperation with
three different integer-encoding methods. The performance of our approach is
numerically evaluated with different encoding methods using a simple problem of
calculating the energy of the hydrogen molecule in the most stable state. The
proposed approach can calculate the energy using any of the integer-encoding
methods. However, one-hot encoding is useful for problems with a small size.
- Abstract（参考訳）: ブラックボックス最適化は、機械学習におけるハイパーパラメータ最適化や実験の設計における最適化など、多くのアプリケーションで潜在的なものである。
イジングマシンは、変数をイジングマシンの1つのバイナリ変数で表現できるため、バイナリ最適化問題に有用である。
しかしながら、イジングマシンを用いた従来のアプローチでは、非バイナリ値のブラックボックス最適化問題には対処できない。
この制限を克服するために,Ising/annealing マシンと factorization マシンを3つの異なる整数エンコーディング手法と連携させて,整数可変ブラックボックス最適化問題の解法を提案する。
本手法の性能は,水素分子のエネルギーを最も安定な状態で計算する簡単な問題を用いて,異なる符号化法を用いて数値評価を行った。
提案手法は任意の整数エンコーディング法を用いてエネルギーを計算することができる。
しかし、1-hotエンコーディングは小さいサイズの問題に有用である。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Integrating quantum and classical computing for multi-energy system optimization using Benders decomposition [0.0]
量子コンピュータと古典コンピュータの最適化を組み合わせたハイブリッドBenders分解手法を提案する。
本研究では,コスト最適多エネルギーシステムの設計を事例スタディで実施する。
論文 参考訳（メタデータ） (2023-09-28T11:59:42Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Enhancing Quantum Algorithms for Quadratic Unconstrained Binary Optimization via Integer Programming [0.0]
本研究では,最適化のための量子および古典的手法の可能性を統合する。
線形緩和により問題のサイズを小さくし、最小サイズの量子マシンで問題を処理できるようにした。
実量子ハードウェアの計算結果を多数提示する。
論文 参考訳（メタデータ） (2023-02-10T20:12:53Z) - Computability of Optimizers [71.84486326350338]
様々な状況において、チューリングマシンでは実現不可能であり、結果としてデジタルコンピュータでは実現不可能であることを示す。
我々は、人工知能、金融数学、情報理論など、非常に異なる分野からよく知られた様々な問題に対して、そのような結果を証明している。
論文 参考訳（メタデータ） (2023-01-15T17:41:41Z) - Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。
これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。
我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
論文 参考訳（メタデータ） (2022-07-26T04:38:47Z) - Quantum approximate optimization algorithm for qudit systems [0.0]
量子近似最適化アルゴリズム(QAOA)について考察する。
本稿では、QAOAを用いて様々な整数最適化問題を定式化する方法を説明する。
最大$kのカラー化問題にマッピングした充電最適化問題の数値計算結果を示す。
論文 参考訳（メタデータ） (2022-04-01T10:37:57Z) - Optimizing Large-Scale Hyperparameters via Automated Learning Algorithm [97.66038345864095]
ゼロ階超勾配(HOZOG)を用いた新しいハイパーパラメータ最適化法を提案する。
具体的には、A型制約最適化問題として、まずハイパーパラメータ最適化を定式化する。
次に、平均ゼロ階超勾配を用いてハイパーパラメータを更新する。
論文 参考訳（メタデータ） (2021-02-17T21:03:05Z) - Solving Quadratic Unconstrained Binary Optimization with
divide-and-conquer and quantum algorithms [0.0]
分割・対数手法を用いて、元の問題を小さな問題の集合に還元する。
この手法は任意のQUBOインスタンスに適用でき、全古典的またはハイブリッドな量子古典的アプローチにつながる。
論文 参考訳（メタデータ） (2021-01-19T19:00:40Z) - 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) - Decomposed Quadratization: Efficient QUBO Formulation for Learning Bayesian Network [0.0]
目的関数で使用されるバイナリ変数の数を最小限にすることが不可欠である。
そこで本研究では,従来の二次化手法よりもビット容量に有利なQUBOの定式化を提案する。
論文 参考訳（メタデータ） (2020-06-12T03:19:48Z)
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。