Fugu-MT 論文翻訳(概要): A learning-based mathematical programming formulation for the automatic configuration of optimization solvers

論文の概要: A learning-based mathematical programming formulation for the automatic configuration of optimization solvers

arxiv url: http://arxiv.org/abs/2401.04237v1
Date: Mon, 8 Jan 2024 21:10:56 GMT
ステータス: 処理完了
システム内更新日: 2024-01-10 18:21:21.681540
Title: A learning-based mathematical programming formulation for the automatic configuration of optimization solvers
Title（参考訳）: 最適化解法の自動構成のための学習型数学的プログラミング定式化
Authors: Gabriele Iommazzo, Claudia D'Ambrosio, Antonio Frangioni, Leo Liberti
Abstract要約: 我々は、解決者の性能関数を学習するために、解決されたインスタンスと構成のセットを用いる。対象/制約が学習情報を明示的に符号化する混合整数非線形プログラムを定式化する。
参考スコア（独自算出の注目度）: 0.8075866265341176
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a methodology, based on machine learning and optimization, for selecting a solver configuration for a given instance. First, we employ a set of solved instances and configurations in order to learn a performance function of the solver. Secondly, we formulate a mixed-integer nonlinear program where the objective/constraints explicitly encode the learnt information, and which we solve, upon the arrival of an unknown instance, to find the best solver configuration for that instance, based on the performance function. The main novelty of our approach lies in the fact that the configuration set search problem is formulated as a mathematical program, which allows us to a) enforce hard dependence and compatibility constraints on the configurations, and b) solve it efficiently with off-the-shelf optimization tools.
Abstract（参考訳）: 本稿では,機械学習と最適化に基づいて,あるインスタンスのソルバ構成を選択する手法を提案する。まず、解決したインスタンスと構成の集合を用いて、解決者の性能関数を学習する。次に,学習対象/制約が学習情報を明示的に符号化する混合整数非線形プログラムを定式化し,未知のインスタンスが到着すると,そのインスタンスに最適な解器構成を求める。我々のアプローチの主な目新しさは、構成集合探索問題は数学的プログラムとして定式化されているという事実である。 a) 構成に対するハード依存及び互換性の制約を強制すること b)オフザシェルフ最適化ツールで効率よく解決する。

関連論文リスト

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)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
Learning to Configure Mathematical Programming Solvers by Mathematical Programming [0.8075866265341176]
本稿では,与えられた問題の特定の事例に対して,優れた数学的プログラミング解法構成を求める問題について論じる。優れたソルバ構成を学ぶことの難しさは、パラメータ設定がすべて独立しているとは限らないことである。このアプローチの第2段階でこの問題に対処し、学習した情報を用いて最適化問題を構築し、解決する。
論文参考訳（メタデータ） (2024-01-10T10:02:01Z)
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)
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)
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)
A machine learning framework for neighbor generation in metaheuristic search [4.521119623956821]
メタヒューリスティック検索における近隣世代のための汎用機械学習フレームワークを提案する。メタヒューリスティックな2つの応用法について検証する。
論文参考訳（メタデータ） (2022-12-22T01:58:04Z)
Teaching Networks to Solve Optimization Problems [13.803078209630444]
反復解法をトレーニング可能なパラメトリック集合関数に置き換えることを提案する。このようなパラメトリックな(集合)関数を学習することで、様々な古典的最適化問題を解くことができることを示す。
論文参考訳（メタデータ） (2022-02-08T19:13:13Z)
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)
SeaPearl: A Constraint Programming Solver guided by Reinforcement Learning [0.0]
本稿では,Juliaで実装された新しい制約プログラミング問題であるSeaPearlの概念実証について述べる。 seapearlは強化学習を使用して分岐決定を学ぶために機械学習ルーチンをサポートする。産業用ソリューションとはまだ競合していないが、seapearlは柔軟でオープンソースなフレームワークを提供することを目指している。
論文参考訳（メタデータ） (2021-02-18T07:34:38Z)
Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文参考訳（メタデータ） (2020-01-03T11:01:52Z)

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。