論文の概要: Pre-trained Mixed Integer Optimization through Multi-variable Cardinality Branching

• arxiv url: http://arxiv.org/abs/2305.12352v1
• Date: Sun, 21 May 2023 05:11:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 21:13:53.138378
• Title: Pre-trained Mixed Integer Optimization through Multi-variable Cardinality Branching
• Title（参考訳）: 多変数心機能分岐による混合整数の事前学習
• Authors: Yanguang Chen, Wenzhi Gao, Dongdong Ge, Yinyu Ye
• Abstract要約: 事前学習機械学習モデル(PreMIO)を用いたオンライン混合最適化の高速化手法を提案する。 PreMIOの鍵となるコンポーネントは、データ駆動超平面で実現可能な領域を分割する多変数の濃度分岐手順である。 従来のベンチマークデータセットと実環境インスタンスの両方で数値実験を行い,その性能を最先端のMIPソルバに適用することによって,PreMIOの性能を検証した。
• 参考スコア（独自算出の注目度）: 10.36402837385451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new method to accelerate online Mixed Integer Optimization with Pre-trained machine learning models (PreMIO). The key component of PreMIO is a multi-variable cardinality branching procedure that splits the feasible region with data-driven hyperplanes, which can be easily integrated into any MIP solver with two lines of code. Moreover, we incorporate learning theory and concentration inequalities to develop a straightforward and interpretable hyper-parameter selection strategy for our method. We test the performance of PreMIO by applying it to state-of-the-art MIP solvers and running numerical experiments on both classical OR benchmark datasets and real-life instances. The results validate the effectiveness of our proposed method.
• Abstract（参考訳）: プレトレーニング機械学習モデル(PreMIO)を用いたオンラインMixed Integer Optimizationの高速化手法を提案する。 PreMIOの鍵となるコンポーネントは、データ駆動型超平面で実現可能な領域を分割する多変数の濃度分岐手順であり、2行のコードで任意のMIPソルバに容易に統合できる。 さらに, 学習理論と濃度不等式を組み込んで, 直接的かつ解釈可能なハイパーパラメータ選択戦略を考案する。 従来のベンチマークデータセットと実環境インスタンスの両方で数値実験を行い、最先端のMIP解法に適用することでPreMIOの性能を検証した。 その結果,提案手法の有効性が検証された。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Value-Biased Maximum Likelihood Estimation for Model-based Reinforcement Learning in Discounted Linear MDPs [16.006893624836554]
  本稿では,VBMLE (Value-Biased Maximum Likelihood Estimation) のレンズによる線形MDPの解法を提案する。 VBMLEは、各時間ステップで1つの最適化問題だけを解決する必要があるため、計算的により効率的である。 後悔する解析では、線形MDPにおけるMLEの一般収束結果が、新しいスーパーマーチンゲール構造を通して提供される。
  論文  参考訳（メタデータ） (2023-10-17T18:27:27Z)
• Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
  本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。 微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
  論文  参考訳（メタデータ） (2023-02-24T18:41:48Z)
• 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)
• Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
  マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。 本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。 いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-14T18:18:02Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Mixed-Integer Optimization with Constraint Learning [4.462264781248437]
  我々は、学習制約を伴う混合整数最適化のための幅広い方法論基盤を確立する。 我々は多くの機械学習手法の混合整数最適化・表現性を利用する。 本手法は,World Food Programme計画と化学療法最適化の両方で実証する。
  論文  参考訳（メタデータ） (2021-11-04T20:19:55Z)
• Effective multi-view registration of point sets based on student's t mixture model [15.441928157356477]
  本稿では,学生のt混合モデル(StMM)に基づく効果的な登録手法を提案する。 NNサーチ法により全てのt分布セントロイドが得られるため、マルチビュー登録を実現するのがより効率的である。 実験結果は,最先端手法よりも優れた性能と精度を示す。
  論文  参考訳（メタデータ） (2020-12-13T08:27:29Z)
• Density Fixing: Simple yet Effective Regularization Method based on the Class Prior [2.3859169601259347]
  本稿では,教師付き・半教師付き学習によく用いられる密度固定法という正規化手法の枠組みを提案する。 提案手法は,モデルの事前分布や発生頻度を近似させることで,一般化性能を向上させる。
  論文  参考訳（メタデータ） (2020-07-08T04:58:22Z)
• MINA: Convex Mixed-Integer Programming for Non-Rigid Shape Alignment [77.38594866794429]
  非剛体形状マッチングのための凸混合整数プログラミングの定式化。 効率的な低次元離散モデルに基づく新しい形状変形モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-28T09:54:06Z)

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。