Fugu-MT 論文翻訳(概要): Taking the human out of decomposition-based optimization via artificial intelligence: Part I. Learning when to decompose

論文の概要: Taking the human out of decomposition-based optimization via artificial intelligence: Part I. Learning when to decompose

arxiv url: http://arxiv.org/abs/2310.07068v1
Date: Tue, 10 Oct 2023 23:31:06 GMT
ステータス: 処理完了
システム内更新日: 2023-10-14 02:45:54.322886
Title: Taking the human out of decomposition-based optimization via artificial intelligence: Part I. Learning when to decompose
Title（参考訳）: 人工知能による分解に基づく最適化から人間を外す:その1. 分解のタイミングの学習
Authors: Ilias Mitrai, Prodromos Daoutidis
Abstract要約: 本稿では,モノリシックな解法か分解型解法かを自動的に判定するグラフ分類手法を提案する。学習した分類器を既存の構造的混合整数最適化解法に組み込む方法を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a graph classification approach for automatically determining whether to use a monolithic or a decomposition-based solution method. In this approach, an optimization problem is represented as a graph that captures the structural and functional coupling among the variables and constraints of the problem via an appropriate set of features. Given this representation, a graph classifier is built to determine the best solution method for a given problem. The proposed approach is used to develop a classifier that determines whether a convex Mixed Integer Nonlinear Programming problem should be solved using branch and bound or the outer approximation algorithm. Finally, it is shown how the learned classifier can be incorporated into existing mixed integer optimization solvers.
Abstract（参考訳）: 本稿では,モノリシックあるいは分解ベースの解法を用いるかどうかを自動的に判定するグラフ分類手法を提案する。このアプローチでは、最適化問題は、適切な特徴セットを介して問題の変数と制約の間の構造的および機能的結合をキャプチャするグラフとして表現される。この表現が与えられると、グラフ分類器は与えられた問題の最適解法を決定するために構築される。提案手法は,凸混合整数非線形計画問題の解法を分岐および境界法あるいは外近似法を用いて決定する分類器の開発に用いられている。最後に、学習した分類器を既存の混合整数最適化解法に組み込む方法を示す。

関連論文リスト

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)
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)
The Curse of Unrolling: Rate of Differentiating Through Optimization [35.327233435055305]
未分化は反復解法を用いて解を近似し、計算経路を通して解を微分する。我々は,(1)高速収束につながる大きな学習率を選択することができるが,アルゴリズムが任意に長いバーンインフェーズを持つことを受け入れるか,あるいは(2)即時収束につながるより少ない学習率を選択するかのどちらかを示す。
論文参考訳（メタデータ） (2022-09-27T09:27:29Z)
Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
反復的洗練は表現学習に有用なパラダイムである。トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
論文参考訳（メタデータ） (2022-07-02T10:00:35Z)
A Differentiable Approach to Combinatorial Optimization using Dataless Neural Networks [20.170140039052455]
我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
論文参考訳（メタデータ） (2022-03-15T19:21:31Z)
Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-09-30T19:17:35Z)
Learning Primal Heuristics for Mixed Integer Programs [5.766851255770718]
本研究は,機械学習を用いて効果的な霊長類を自動学習できるかどうかを考察する。本稿では,最適化問題をグラフとして表現するための新しい手法を提案する。可変解の予測はB&B法の新たな構成であるProbabilistic Branching with guided Depth-first Searchによって行われる。
論文参考訳（メタデータ） (2021-07-02T06:46:23Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
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)
Symbolic Regression using Mixed-Integer Nonlinear Optimization [9.638685454900047]
シンボリック回帰(SR)問題は、機械学習において難しい問題である。混合整数非線形最適化と明示列挙法を組み合わせたハイブリッドアルゴリズムを提案する。我々のアルゴリズムは、いくつかの合成データセットに対して、最先端のSRソフトウェアと最近の物理学に触発されたAI Feynmanという手法で競合していることを示す。
論文参考訳（メタデータ） (2020-06-11T20:53:17Z)
Methods of Adaptive Signal Processing on Graphs Using Vertex-Time Autoregressive Models [0.0]
ランダムプロセスの概念は、最近グラフ信号に拡張されている。この問題のオンライン版はアダプティブフレームワークを通じて提案された。可能性、可能性、そしてこの研究の可能性について光を当てるために実験が行われた。
論文参考訳（メタデータ） (2020-03-10T12:42:27Z)

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。