Fugu-MT 論文翻訳(概要): Augmenting Operations Research with Auto-Formulation of Optimization Models from Problem Descriptions

論文の概要: Augmenting Operations Research with Auto-Formulation of Optimization Models from Problem Descriptions

arxiv url: http://arxiv.org/abs/2209.15565v1
Date: Fri, 30 Sep 2022 16:24:36 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 14:22:29.110128
Title: Augmenting Operations Research with Auto-Formulation of Optimization Models from Problem Descriptions
Title（参考訳）: 問題記述からの最適化モデルの自動生成による操作研究の強化
Authors: Rindranirina Ramamonjison, Haley Li, Timothy T. Yu, Shiqi He, Vishnu Rengan, Amin Banitalebi-Dehkordi, Zirui Zhou, Yong Zhang
Abstract要約: 本稿では,操作研究におけるモデリング体験の簡素化と強化を目的とした人工知能システムについて述べる。このシステムを用いて、ユーザはその記述に基づいて最適化問題の定式化を提案される。このプロセスを容易にするために,ユーザによる提案の検証と編集を可能にする,直感的なユーザインタフェースシステムを構築した。
参考スコア（独自算出の注目度）: 7.469806460325306
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe an augmented intelligence system for simplifying and enhancing the modeling experience for operations research. Using this system, the user receives a suggested formulation of an optimization problem based on its description. To facilitate this process, we build an intuitive user interface system that enables the users to validate and edit the suggestions. We investigate controlled generation techniques to obtain an automatic suggestion of formulation. Then, we evaluate their effectiveness with a newly created dataset of linear programming problems drawn from various application domains.
Abstract（参考訳）: 本稿では,運用研究におけるモデリングエクスペリエンスを簡素化し,拡張するための人工知能システムについて述べる。このシステムを用いて、ユーザはその記述に基づいて最適化問題の定式化を提案される。このプロセスを容易にするために,ユーザによる提案の検証と編集を可能にする直感的なユーザインタフェースシステムを構築した。定式化の自動提案を得るための制御生成手法について検討する。次に、様々なアプリケーションドメインから引き出された線形計画問題のデータセットを用いて、その効果を評価する。

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)
Retrieval-Augmented Instruction Tuning for Automated Process Engineering Calculations : A Tool-Chaining Problem-Solving Framework with Attributable Reflection [0.0]
オープンでカスタマイズ可能な小型コード言語モデル(SLM)を強化するためにRAIT(Retrieval-Augmented Instruction-Tuning)を活用する新しい自律エージェントフレームワークを提案する。命令チューニングされたコードSLMと外部ツールを使用してRACG(Retrieval-Augmented Code Generation)を組み合わせることで、エージェントは自然言語仕様からコードを生成し、デバッグし、最適化する。我々のアプローチは、専門的なプロセスエンジニアリングタスクのための基礎的AIモデルの欠如の限界に対処し、説明可能性、知識編集、費用対効果の利点を提供する。
論文参考訳（メタデータ） (2024-08-28T15:33:47Z)
Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
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。この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文参考訳（メタデータ） (2023-12-28T23:15:18Z)
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)
Explainable Active Learning for Preference Elicitation [0.0]
我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。 ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
論文参考訳（メタデータ） (2023-09-01T09:22:33Z)
DADO -- Low-Cost Query Strategies for Deep Active Design Optimization [1.6298921134113031]
我々は,多目的設計最適化問題における計算コストを削減するために,自己最適化のための2つの選択戦略を提案する。我々は流体力学の領域から大規模データセットの戦略を評価し、モデルの性能を決定するために2つの新しい評価指標を導入する。
論文参考訳（メタデータ） (2023-07-10T13:01:27Z)
Utilizing deep learning for automated tuning of database management systems [0.12891210250935148]
OtterTuneは、影響力のあるノブを特定し、以前は目に見えないワークロードを分析し、ノブ設定のレコメンデーションを提供する。このアプローチの有効性は,3つの異なるデータベース管理システム(DBMS)上でのOtterTuneと呼ばれる新しいツールの評価を通じて実証される。
論文参考訳（メタデータ） (2023-06-25T21:50:14Z)
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)
Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文参考訳（メタデータ） (2022-10-23T22:21:10Z)
An Interactive Knowledge-based Multi-objective Evolutionary Algorithm Framework for Practical Optimization Problems [5.387300498478744]
本稿では,対話型知識に基づく進化的多目的最適化(IK-EMO)フレームワークを提案する。ハイパフォーマンスなソリューションの進化から知識として隠れた変数関係を抽出し、フィードバックを受け取るためにユーザと共有し、その効率を改善するために最適化プロセスに適用する。提案したIK-EMOの動作は、3つの大規模な実世界のエンジニアリング設計問題で実証されている。
論文参考訳（メタデータ） (2022-09-18T16:51:01Z)
Quadratic mutual information regularization in real-time deep CNN models [51.66271681532262]
擬似相互情報による正規化手法を提案する。種々の二項分類問題の実験を行い,提案モデルの有効性を示した。
論文参考訳（メタデータ） (2021-08-26T13:14:24Z)

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。