論文の概要: A Novel Approach for Auto-Formulation of Optimization Problems
- arxiv url: http://arxiv.org/abs/2302.04643v1
- Date: Thu, 9 Feb 2023 13:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 15:45:14.686611
- Title: A Novel Approach for Auto-Formulation of Optimization Problems
- Title（参考訳）: 最適化問題の自動生成のための新しいアプローチ
- Authors: Yuting Ning, Jiayu Liu, Longhu Qin, Tong Xiao, Shangzi Xue, Zhenya
Huang, Qi Liu, Enhong Chen, Jinze Wu
- Abstract要約: Natural Language for Optimization (NL4Opt) NeurIPS 2022コンペティションでは、最適化ソルバのアクセシビリティとユーザビリティの改善に重点を置いている。
本稿では,チームのソリューションについて述べる。
提案手法は,サブタスク1のF1スコアとサブタスク2の0.867の精度を達成し,それぞれ第4位,第3位を獲得した。
- 参考スコア（独自算出の注目度）: 66.94228200699997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the Natural Language for Optimization (NL4Opt) NeurIPS 2022 competition,
competitors focus on improving the accessibility and usability of optimization
solvers, with the aim of subtask 1: recognizing the semantic entities that
correspond to the components of the optimization problem; subtask 2: generating
formulations for the optimization problem. In this paper, we present the
solution of our team. First, we treat subtask 1 as a named entity recognition
(NER) problem with the solution pipeline including pre-processing methods,
adversarial training, post-processing methods and ensemble learning. Besides,
we treat subtask 2 as a generation problem with the solution pipeline including
specially designed prompts, adversarial training, post-processing methods and
ensemble learning. Our proposed methods have achieved the F1-score of 0.931 in
subtask 1 and the accuracy of 0.867 in subtask 2, which won the fourth and
third places respectively in this competition. Our code is available at
https://github.com/bigdata-ustc/nl4opt.
- Abstract（参考訳）: natural language for optimization (nl4opt)のneurips 2022コンペティションでは、競争相手は最適化ソルバのアクセシビリティとユーザビリティの向上に重点を置いており、subtask 1:最適化問題のコンポーネントに対応するセマンティックエンティティの認識、subtask 2:最適化問題の定式化の生成などを目的としている。
本稿では,チームのソリューションについて述べる。
まず、サブタスク1を、前処理方法、対向訓練、後処理方法、アンサンブル学習を含むソリューションパイプラインで名前付きエンティティ認識(NER)問題として扱う。
さらに,特別に設計されたプロンプト,敵対的トレーニング,後処理法,アンサンブル学習などを含むソリューションパイプラインでは,サブタスク2を生成問題として扱う。
提案手法は,サブタスク1のF1スコアとサブタスク2の0.867の精度を達成し,それぞれ第4位,第3位を獲得した。
私たちのコードはhttps://github.com/bigdata-ustc/nl4optで利用可能です。
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) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。
本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。
これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
論文 参考訳（メタデータ） (2024-03-06T04:43:22Z) - 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) - NL4Opt Competition: Formulating Optimization Problems Based on Their
Natural Language Descriptions [19.01388243205877]
競争の目標は、非専門家が自然言語を使ってそれらと対話できるようにすることにより、最適化ソルバのアクセシビリティとユーザビリティを向上させることである。
LPワード問題データセットを提示し,NeurIPS 2022コンペティションのためのタスクを共有する。
論文 参考訳（メタデータ） (2023-03-14T20:59:04Z) - Tensor Train for Global Optimization Problems in Robotics [6.702251803443858]
多くの数値最適化手法の収束は、解法に与えられる初期推定に大きく依存する。
本稿では,グローバルオプティマ付近で既存の最適化解法を初期化するための手法を用いた新しい手法を提案する。
提案手法は,グローバル・オプティマに近づいたサンプルを複数モードで生成できることを示す。
論文 参考訳（メタデータ） (2022-06-10T13:18:26Z) - Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。
この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2021-03-23T20:46:20Z) - 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) - Contrastive Losses and Solution Caching for Predict-and-Optimize [19.31153168397003]
ノイズコントラスト法を用いて、サロゲート損失関数の族を動機付ける。
すべての予測と最適化アプローチのボトルネックに対処する。
非常に遅い成長率でさえ、最先端の手法の質に合わせるのに十分であることを示す。
論文 参考訳（メタデータ） (2020-11-10T19:09:12Z) - Combining Reinforcement Learning and Constraint Programming for
Combinatorial Optimization [5.669790037378094]
目標は、有限個の可能性の集合の中で最適解を見つけることである。
深部強化学習(DRL)はNP-ハード最適化問題を解くことを約束している。
制約プログラミング(CP)は最適化問題を解決する汎用ツールである。
本研究では,最適化問題の解法としてDRLとCPを用いた汎用ハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2020-06-02T13:54:27Z)
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。