論文の概要: Neur2BiLO: Neural Bilevel Optimization

• arxiv url: http://arxiv.org/abs/2402.02552v2
• Date: Fri, 01 Nov 2024 14:44:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 14:32:49.088685
• Title: Neur2BiLO: Neural Bilevel Optimization
• Title（参考訳）: Neur2BiLO: ニューラルバイレベル最適化
• Authors: Justin Dumouchelle, Esther Julien, Jannis Kurtz, Elias B. Khalil,
• Abstract要約: 双方向最適化は、リーダーが目的の機能を最小化する最初の決定を下すネストした問題を扱う。 Neur2BiLOは、リーダーまたはフォロワーの値関数のニューラルネットワーク近似を、教師付き回帰を通じてトレーニングし、簡単に解ける混合整数プログラムに組み込む。
• 参考スコア（独自算出の注目度）: 15.876446950057389
• License:
• Abstract: Bilevel optimization deals with nested problems in which a leader takes the first decision to minimize their objective function while accounting for a follower's best-response reaction. Constrained bilevel problems with integer variables are particularly notorious for their hardness. While exact solvers have been proposed for mixed-integer linear bilevel optimization, they tend to scale poorly with problem size and are hard to generalize to the non-linear case. On the other hand, problem-specific algorithms (exact and heuristic) are limited in scope. Under a data-driven setting in which similar instances of a bilevel problem are solved routinely, our proposed framework, Neur2BiLO, embeds a neural network approximation of the leader's or follower's value function, trained via supervised regression, into an easy-to-solve mixed-integer program. Neur2BiLO serves as a heuristic that produces high-quality solutions extremely fast for four applications with linear and non-linear objectives and pure and mixed-integer variables.
• Abstract（参考訳）: 双方向最適化は、フォロワーのベストレスポンス反応を考慮に入れながら、リーダーが目的の機能を最小化するための最初の決定を下すネストされた問題を扱う。 整数変数の制約付き双レベル問題は、その難しさで特に悪名高い。 混合整数線形双レベル最適化には正確な解法が提案されているが、問題の大きさに乏しく、非線形の場合への一般化が困難である。 一方、問題固有のアルゴリズム(エクササイズとヒューリスティック)はスコープに限られている。 両レベル問題の類似したインスタンスを日常的に解決するデータ駆動型設定の下で、提案するフレームワークNeur2BiLOは、教師付き回帰によってトレーニングされたリーダまたはフォロワーの値関数のニューラルネットワーク近似を、容易に解ける混合整数プログラムに組み込む。 Neur2BiLOは、線形および非線形目的と純粋および混合整数変数を持つ4つのアプリケーションに対して、非常に高速な高品質なソリューションを生成するヒューリスティックとして機能する。

関連論文リスト

• Learning to Optimize for Mixed-Integer Non-linear Programming [20.469394148261838]
  混合整数非NLPプログラム(MINLP)はエネルギーシステムや輸送など様々な領域で発生するが、解決は困難である。 機械学習の最近の進歩は、最適化のための学習として知られる領域において、顕著な成功をもたらしている。 勾配を保ちながら整数出力を生成する2つの異なる補正層を提案する。
  論文  参考訳（メタデータ） (2024-10-14T20:14:39Z)
• Pareto Set Prediction Assisted Bilevel Multi-objective Optimization [2.3293561091456283]
  両レベルにおいて複数目的(BLMOP)の問題に対処する。 提案されたアプローチは、欺くことと非欺くことの両方を含む、さまざまな問題で競合する。
  論文  参考訳（メタデータ） (2024-09-05T08:04:11Z)
• A Primal-Dual-Assisted Penalty Approach to Bilevel Optimization with Coupled Constraints [66.61399765513383]
  We developed a BLOCC algorithm to tackle BiLevel Optimization problems with Coupled Constraints。 2つのよく知られた実世界のアプリケーションでその効果を実証する。
  論文  参考訳（メタデータ） (2024-06-14T15:59:36Z)
• Contextual Stochastic Bilevel Optimization [50.36775806399861]
  文脈情報と上層変数の期待を最小化する2レベル最適化フレームワークCSBOを導入する。 メタラーニング、パーソナライズドラーニング、エンド・ツー・エンドラーニング、Wassersteinはサイド情報(WDRO-SI)を分散的に最適化している。
  論文  参考訳（メタデータ） (2023-10-27T23:24:37Z)
• On Implicit Bias in Overparameterized Bilevel Optimization [38.11483853830913]
  双レベル問題は、それぞれ外問題と内問題と呼ばれる、ネストした2つのサブプロブレムから構成される。 本稿では,2レベル最適化のための勾配に基づくアルゴリズムの暗黙バイアスについて検討する。 ウォームスタートBLOによって得られる内部解は、外的目的に関する驚くべき量の情報を符号化できることを示す。
  論文  参考訳（メタデータ） (2022-12-28T18:57:46Z)
• Communication-Efficient Robust Federated Learning with Noisy Labels [144.31995882209932]
  フェデレーテッド・ラーニング(FL)は、分散した位置データの上で、将来性のあるプライバシ保護機械学習パラダイムである。 FLにおける雑音ラベルの効果を緩和する学習に基づく再重み付け手法を提案する。 提案手法は,複数の実世界のデータセットにおいて,各種ベースラインと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-11T16:21:17Z)
• Local Stochastic Bilevel Optimization with Momentum-Based Variance Reduction [104.41634756395545]
  具体的には、まず、決定論的勾配に基づくアルゴリズムであるFedBiOを提案する。 FedBiOの複雑性は$O(epsilon-1.5)$である。 本アルゴリズムは数値実験において,他のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2022-05-03T16:40:22Z)
• A Constrained Optimization Approach to Bilevel Optimization with Multiple Inner Minima [49.320758794766185]
  そこで本研究では,両レベル問題を等価な制約付き最適化に変換する手法を提案する。 このようなアプローチには、(a)多重内極小問題への対処、(b)ジャコビアン計算のない完全一階効率など、いくつかの利点がある。
  論文  参考訳（メタデータ） (2022-03-01T18:20:01Z)
• A framework for bilevel optimization that enables stochastic and global variance reduction algorithms [17.12280360174073]
  双レベル最適化は、他の関数のarg最小値を含む値関数を最小化する問題である。 本稿では, 内部問題の解, 線形系の解, 主変数を同時に発展させる新しい枠組みを提案する。 我々のフレームワークにおけるSAGAアルゴリズムの適応であるSABAは$O(frac1T)$収束率を持ち、Polyak-Lojasciewicz仮定の下で線形収束を達成することを示した。
  論文  参考訳（メタデータ） (2022-01-31T18:17:25Z)
• Enhanced Bilevel Optimization via Bregman Distance [104.96004056928474]
  本稿では,Bregman Bregman関数に基づく二段階最適化手法を提案する。 また,分散還元法によるSBiO-BreD法(ASBiO-BreD)の高速化版も提案する。
  論文  参考訳（メタデータ） (2021-07-26T16:18:43Z)

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。