論文の概要: Learning Backdoors for Mixed Integer Linear Programs with Contrastive Learning

• arxiv url: http://arxiv.org/abs/2401.10467v2
• Date: Thu, 1 Aug 2024 01:07:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-02 18:59:12.663826
• Title: Learning Backdoors for Mixed Integer Linear Programs with Contrastive Learning
• Title（参考訳）: コントラスト学習を用いた混合整数線形プログラムのためのバックドア学習
• Authors: Junyang Cai, Taoan Huang, Bistra Dilkina,
• Abstract要約: 多くの実世界の問題は、MILP(Mixed Linear Programs)として効率的にモデル化でき、ブランチ・アンド・バウンド法で解決できる。 以前の研究はMILPバックドアの存在を示しており、可能であれば分岐の優先順位付けが実行時間の短縮につながるような変数の小さなセットである。 過去の研究は、ランダムにサンプリングされたバックドアの相対的な解法速度をランク付けして推定し、最高ランクのバックドア候補を使うかどうかを決定する。 本稿では,モンテカルロ木探索法を用いて,ランダムサンプリングに頼るのではなく,学習用バックドアを収集し,コントラストに適応する。
• 参考スコア（独自算出の注目度）: 13.106799330951842
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many real-world problems can be efficiently modeled as Mixed Integer Linear Programs (MILPs) and solved with the Branch-and-Bound method. Prior work has shown the existence of MILP backdoors, small sets of variables such that prioritizing branching on them when possible leads to faster running times. However, finding high-quality backdoors that improve running times remains an open question. Previous work learns to estimate the relative solver speed of randomly sampled backdoors through ranking and then decide whether to use the highest-ranked backdoor candidate. In this paper, we utilize the Monte-Carlo tree search method to collect backdoors for training, rather than relying on random sampling, and adapt a contrastive learning framework to train a Graph Attention Network model to predict backdoors. Our method, evaluated on several common MILP problem domains, demonstrates performance improvements over both Gurobi and previous models.
• Abstract（参考訳）: 多くの実世界の問題は、MILP(Mixed Integer Linear Programs)として効率的にモデル化でき、ブランチ・アンド・バウンド法で解決できる。 以前の研究はMILPバックドアの存在を示しており、可能であれば分岐の優先順位付けが実行時間の短縮につながるような変数の小さなセットである。 しかし、ランニングタイムを改善する高品質なバックドアを見つけることは、未解決の問題である。 事前の作業は、ランダムにサンプリングされたバックドアの相対的なソルバ速度をランク付けして推定し、最高ランクのバックドア候補を使用するかどうかを決定する。 本稿では,モンテカルロ木探索法を用いて,ランダムサンプリングに頼るのではなく,バックドアの収集を行い,グラフ注意ネットワークモデルを学習し,バックドアの予測を行う。 提案手法は,複数のMILP問題領域で評価され,グロビモデルと先行モデルの両方に対して性能が向上したことを示す。

関連論文リスト

• BackdoorBench: A Comprehensive Benchmark and Analysis of Backdoor Learning [41.66647711306716]
  BackdoorBenchというバックドア学習の総合ベンチマークを構築しました。 本稿では,SOTA(State-of-the-art)バックドア学習アルゴリズムの統合実装について述べる。 4つのモデルと4つのデータセットに基づいて5つの毒素比で包括的評価を行い,11,492対の攻撃・攻撃・防御評価を行った。
  論文  参考訳（メタデータ） (2024-07-29T09:57:03Z)
• ReST-MCTS*: LLM Self-Training via Process Reward Guided Tree Search [50.45155830888697]
  ReST-MCTS*と呼ばれる強化された自己学習手法を開発し、プロセス報酬指導と木探索MCTS*を統合して、高品質な推論トレースを収集し、ポリシーや報酬モデルにステップごとの価値を学習する。 ReST-MCTS* における木探索ポリシーは,Best-of-N や Tree-of-Thought といった従来の LLM 推論ベースラインと比較して,同じ検索予算内で高い精度を達成できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T07:40:00Z)
• Acquiring Clean Language Models from Backdoor Poisoned Datasets by Downscaling Frequency Space [17.98191594223406]
  周波数空間におけるバックドアLMの学習機構をフーリエ解析により検討した。 本稿では,マルチスケール低ランク適応 (MuScleLoRA) を提案する。 MuScleLoRAは、さまざまなバックドア攻撃の平均成功率を、複数のデータセットで15%以下に削減する。
  論文  参考訳（メタデータ） (2024-02-19T10:34:48Z)
• Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
  マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。 具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。 また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
  論文  参考訳（メタデータ） (2023-07-25T12:33:53Z)
• Single Image Backdoor Inversion via Robust Smoothed Classifiers [76.66635991456336]
  隠れたバックドアを1枚の画像で復元できるバックドア・インバージョンのための新しいアプローチを提案する。 本研究では,1枚の画像で隠れたバックドアを復元できる,バックドア・インバージョンのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-01T03:37:42Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)
• Improving Passage Retrieval with Zero-Shot Question Generation [109.11542468380331]
  オープンな質問応答における経路検索を改善するための,シンプルで効果的な再ランク付け手法を提案する。 再ランカは、学習済み言語モデルを用いて、検索されたパスに条件付けられた入力質問の確率を算出するゼロショット質問生成モデルを用いて、検索されたパスを再スコアする。
  論文  参考訳（メタデータ） (2022-04-15T14:51:41Z)
• Finding Backdoors to Integer Programs: A Monte Carlo Tree Search Framework [22.824450460839245]
  バックドアは、以下のプロパティを持つインスタンスの整数変数の小さなサブセットである。 MIPのバックドアを見つけるためのモンテカルロ木探索フレームワークBaMCTSを提案する。
  論文  参考訳（メタデータ） (2021-10-16T00:36:53Z)
• Learning Pseudo-Backdoors for Mixed Integer Programs [48.36587539004464]
  そこで我々は,Mixed Programs (MIP) の解法として,擬似バックドア(擬似バックドア)と呼ばれる一連の決定変数の優先順位付けを学習し,解時間を短縮する機械学習手法を提案する。 我々のアプローチは、これらの変数の分岐のみが最適積分解と最適性の証明となるような、小さな変数の集合に対応する強いバックドアの概念から着想を得ている。 強力なバックドアに対する擬似バックドアの重要な利点は、データ駆動の識別や予測に非常に適している点である。
  論文  参考訳（メタデータ） (2021-06-09T13:59:53Z)

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。