論文の概要: Two-Stage Predict+Optimize for Mixed Integer Linear Programs with
Unknown Parameters in Constraints
- arxiv url: http://arxiv.org/abs/2311.08022v1
- Date: Tue, 14 Nov 2023 09:32:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 14:53:24.056041
- Title: Two-Stage Predict+Optimize for Mixed Integer Linear Programs with
Unknown Parameters in Constraints
- Title（参考訳）: 制約パラメータが未知な混合整数線形プログラムの2段階予測+最適化
- Authors: Xinyi Hu, Jasper C.H. Lee, Jimmy H.M. Lee
- Abstract要約: 我々はEmphTwo-Stage Predict+と呼ばれる新しいEmphsimplerとEmph moreの強力なフレームワークを提供する。
また、全ての混合整数線形プログラムに利用可能なトレーニングアルゴリズムを提供し、フレームワークの適用性を大いに一般化する。
- 参考スコア（独自算出の注目度）: 16.15084484295732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Consider the setting of constrained optimization, with some parameters
unknown at solving time and requiring prediction from relevant features.
Predict+Optimize is a recent framework for end-to-end training supervised
learning models for such predictions, incorporating information about the
optimization problem in the training process in order to yield better
predictions in terms of the quality of the predicted solution under the true
parameters. Almost all prior works have focused on the special case where the
unknowns appear only in the optimization objective and not the constraints. Hu
et al.~proposed the first adaptation of Predict+Optimize to handle unknowns
appearing in constraints, but the framework has somewhat ad-hoc elements, and
they provided a training algorithm only for covering and packing linear
programs. In this work, we give a new \emph{simpler} and \emph{more powerful}
framework called \emph{Two-Stage Predict+Optimize}, which we believe should be
the canonical framework for the Predict+Optimize setting. We also give a
training algorithm usable for all mixed integer linear programs, vastly
generalizing the applicability of the framework. Experimental results
demonstrate the superior prediction performance of our training framework over
all classical and state-of-the-art methods.
- Abstract（参考訳）: 制約付き最適化の設定を考えると、いくつかのパラメータは解決時に未知であり、関連する特徴からの予測を必要とする。
prediction+optimizeは、エンド・ツー・エンドのトレーニング教師付き学習モデルのための最近のフレームワークで、トレーニングプロセスにおける最適化問題に関する情報を組み込んで、真のパラメータの下で予測されたソリューションの品質の面でより良い予測を可能にする。
ほとんど全ての先行研究は、制約ではなく最適化目的にのみ未知が現れる特別な場合に焦点を当てている。
など。
制約に現れる未知の要素を扱うためにPredict+Optimizeの最初の適応を提案したが、このフレームワークはややアドホックな要素を持ち、彼らは線形プログラムをカバーしてパッケージングするためのトレーニングアルゴリズムを提供した。
本研究では,予測+最適化設定のための標準フレームワークであるべきと思われる,新しい \emph{simpler} と \emph{more powerful} フレームワークである \emph{Two-Stage Predict+Optimize} を提供する。
また,混合整数線形プログラムで使用可能なトレーニングアルゴリズムを提供し,フレームワークの適用可能性を大幅に一般化した。
実験の結果,従来の手法や最先端手法よりも優れた予測性能が得られた。
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) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Decision-focused predictions via pessimistic bilevel optimization: a computational study [0.7499722271664147]
最適化パラメータの不確かさは、重要かつ長年にわたる課題である。
予測モデルを構築して,それを用いた意思決定の文言的指標を測定します。
トラクタビリティを実現するために,様々な計算手法を示す。
論文 参考訳（メタデータ） (2023-12-29T15:05:00Z) - CaVE: A Cone-Aligned Approach for Fast Predict-then-optimize with Binary Linear Programs [23.00554768496448]
本研究はバイナリ線形プログラム(BLP)に焦点をあて,予測最適化のための新たなエンドツーエンドトレーニング手法を提案する。
コーン整列ベクトル推定法 (CaVE) は, 予測コストベクトルをトレーニングインスタンスの真の最適解に対応する正規コーンと整列する。
論文 参考訳（メタデータ） (2023-12-12T20:24:19Z) - 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) - Predict+Optimize for Packing and Covering LPs with Unknown Parameters in
Constraints [5.762370982168012]
本稿では,予測+設定のための新規かつ実用的な枠組みを提案するが,目的と制約の両方に未知のパラメータを持つ。
本稿では, 補正関数の概念と, 損失関数に付加的なペナルティ項を導入し, 真のパラメータが明らかにされた後, 推定された最適解を実現可能な解に変換する現実的なシナリオをモデル化する。
私たちのアプローチは、マンディとガンズの以前の研究にインスピレーションを受けています。
論文 参考訳（メタデータ） (2022-09-08T09:28:24Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳（メタデータ） (2022-02-22T18:37:23Z) - Integrated Optimization of Predictive and Prescriptive Tasks [0.0]
予測タスクを記述タスクとして直接統合する新しいフレームワークを提案する。
予測アルゴリズムのパラメータを2レベル最適化技術により、処方問題内でトレーニングします。
論文 参考訳（メタデータ） (2021-01-02T02:43:10Z) - 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) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z)
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。