論文の概要: Continuation Path Learning for Homotopy Optimization
- arxiv url: http://arxiv.org/abs/2307.12551v1
- Date: Mon, 24 Jul 2023 06:38:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 15:21:27.437883
- Title: Continuation Path Learning for Homotopy Optimization
- Title(参考訳): ホモトピー最適化のための継続経路学習
- Authors: Xi Lin, Zhiyuan Yang, Xiaoyuan Zhang, Qingfu Zhang
- Abstract要約: ホモトピー最適化のための連続経路全体を学ぶためのモデルに基づく新しいアプローチを提案する。
従来の一方向一方向一方向最適化よりも,従来の問題と全ての代用サブプロブレムを同時に最適化することができる。
- 参考スコア(独自算出の注目度): 5.419608513284392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Homotopy optimization is a traditional method to deal with a complicated
optimization problem by solving a sequence of easy-to-hard surrogate
subproblems. However, this method can be very sensitive to the continuation
schedule design and might lead to a suboptimal solution to the original
problem. In addition, the intermediate solutions, often ignored by classic
homotopy optimization, could be useful for many real-world applications. In
this work, we propose a novel model-based approach to learn the whole
continuation path for homotopy optimization, which contains infinite
intermediate solutions for any surrogate subproblems. Rather than the classic
unidirectional easy-to-hard optimization, our method can simultaneously
optimize the original problem and all surrogate subproblems in a collaborative
manner. The proposed model also supports real-time generation of any
intermediate solution, which could be desirable for many applications.
Experimental studies on different problems show that our proposed method can
significantly improve the performance of homotopy optimization and provide
extra helpful information to support better decision-making.
- Abstract(参考訳): ホモトピー最適化(Homotopy optimization)は、難解なサブプロブレム列を解くことで複雑な最適化問題に対処する伝統的な方法である。
しかし、この手法は継続スケジュール設計に非常に敏感であり、元の問題に対する準最適解につながる可能性がある。
さらに、古典的ホモトピー最適化によって無視される中間解は、多くの現実世界の応用に有用である。
本研究では,任意の部分問題に対する無限中間解を含むホモトピー最適化の継続経路全体を学習するための新しいモデルベースアプローチを提案する。
従来の一方向一方向最適化よりも,従来の問題と全てのサブプロブレムを協調的に最適化することができる。
提案したモデルは、多くのアプリケーションに望ましい任意の中間解のリアルタイム生成もサポートする。
異なる問題に対する実験結果から,提案手法はホモトピー最適化の性能を大幅に向上し,優れた意思決定を支援するために有用な情報を提供する。
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) - 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) - Smooth Tchebycheff Scalarization for Multi-Objective Optimization [15.047246588148495]
多目的最適化問題は、目的が相反することが多く、単一のソリューションでは最適化できない、多くの実世界のアプリケーションで見られる。
勾配に基づく多目的最適化のための軽量で効率的なスムーズなTchebycheffスキャラライズ手法を提案する。
論文 参考訳(メタデータ) (2024-02-29T12:03:05Z) - 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) - 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) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳(メタデータ) (2022-10-27T01:58:10Z) - GPSAF: A Generalized Probabilistic Surrogate-Assisted Framework for
Constrained Single- and Multi-objective Optimization [7.8140593450932965]
本稿では,一般確率的サロゲート支援フレームワーク(GPSAF)を提案する。
GPSAFは、制約のない、制約のない、単目的および多目的最適化アルゴリズムの幅広いカテゴリに適用できる。
論文 参考訳(メタデータ) (2022-04-06T13:22:30Z) - 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) - Population-Based Methods: PARTICLE SWARM OPTIMIZATION -- Development of
a General-Purpose Optimizer and Applications [0.0]
この論文は、不等式制約を受ける連続、静的、単目的の最適化問題に関係している。
粒子群最適化のパラダイムは、社会で観察された協調行動の以前のシミュレーションから着想を得たものである。
論文 参考訳(メタデータ) (2021-01-25T09:36:25Z) - Meta-learning based Alternating Minimization Algorithm for Non-convex
Optimization [9.774392581946108]
複数変数の非プロブレムに挑戦する新しい解を提案する。
提案手法では,他の手法が一般的に失敗するケースに対して,効果的なイテレーションを実現することができる。
論文 参考訳(メタデータ) (2020-09-09T10:45:00Z)
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。