論文の概要: Discounted Pseudocosts in MILP

• arxiv url: http://arxiv.org/abs/2407.06237v1
• Date: Sun, 7 Jul 2024 19:41:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 22:22:56.641778
• Title: Discounted Pseudocosts in MILP
• Title（参考訳）: MILPにおける擬似コストの計算
• Authors: Krunal Kishor Patel,
• Abstract要約: 割引擬似コストの概念を導入し、MILP(mixed-integer linear programming)への応用を探る。 強化学習の概念を統合することで,前向きの視点を疑似コスト推定に取り入れた新しいアプローチを提案する。 本研究では,ディスカウントされた擬似費用の背景にあるモチベーションを提示し,一段階の探索の後,枝分かれに対する期待される報酬をどう表現するかを議論する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this article, we introduce the concept of discounted pseudocosts, inspired by discounted total reward in reinforcement learning, and explore their application in mixed-integer linear programming (MILP). Traditional pseudocosts estimate changes in the objective function due to variable bound changes during the branch-and-bound process. By integrating reinforcement learning concepts, we propose a novel approach incorporating a forward-looking perspective into pseudocost estimation. We present the motivation behind discounted pseudocosts and discuss how they represent the anticipated reward for branching after one level of exploration in the MILP problem space. Initial experiments on MIPLIB 2017 benchmark instances demonstrate the potential of discounted pseudocosts to enhance branching strategies and accelerate the solution process for challenging MILP problems.
• Abstract（参考訳）: 本稿では、強化学習における全報酬の割引にインスパイアされた割引擬似コストの概念を紹介し、混合整数線形プログラミング(MILP)におけるそれらの応用について検討する。 従来の疑似コストは、分岐とバウンドプロセスの間の変動境界変化による目的関数の変化を推定する。 強化学習の概念を統合することで,前向きの視点を疑似コスト推定に取り入れた新しいアプローチを提案する。 ディスカウントされた偽費用の背景にあるモチベーションについて述べるとともに,MILP問題空間における一段階の探索の後,枝分かれに対する期待される報酬をどう表現するかについて議論する。 MIPLIB 2017ベンチマークインスタンスの初期実験では、ディスカウントされた擬似コストの可能性を実証し、分岐戦略を強化し、MILP問題に挑戦するソリューションプロセスを加速した。

関連論文リスト

• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• Entropic Matching for Expectation Propagation of Markov Jump Processes [38.60042579423602]
  本稿では,エントロピックマッチングフレームワークに基づく新たなトラクタブル推論手法を提案する。 簡単な近似分布の族に対して閉形式の結果を提供することにより,本手法の有効性を実証する。 我々は、近似予測法を用いて、基礎となるパラメータの点推定のための式を導出する。
  論文  参考訳（メタデータ） (2023-09-27T12:07:21Z)
• On Reward Structures of Markov Decision Processes [4.13365552362244]
  マルコフ決定過程は、遷移カーネルと報酬関数によってパラメータ化することができる。 ロボット応用の需要に触発された強化学習に関連する様々な「コスト」について検討する。 単一状態値を推定するためのインスタンス固有のエラーを$tildeO(sqrtfractau_sn)$にバインドした新しい推定器を開発する。
  論文  参考訳（メタデータ） (2023-08-28T22:29:16Z)
• Medoid splits for efficient random forests in metric spaces [0.0]
  本稿では、Fr'echet回帰に対するランダムフォレストの適応を再検討し、計量空間における回帰の課題に対処する。 本稿では,Fr'echetの計算コストのかかる操作を,メドイドベースのアプローチで置き換えることによって回避する新たな分割規則を提案する。
  論文  参考訳（メタデータ） (2023-06-29T15:32:11Z)
• Robust Imitation via Mirror Descent Inverse Reinforcement Learning [18.941048578572577]
  本稿では,制約付き凸問題の反復解である報酬関数列を予測することを提案する。 提案したミラー降下更新規則は,ブレグマンの発散を最小化できることを示す。 我々のIRL法は, 既存手法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2022-10-20T12:25:21Z)
• Rewarding Episodic Visitation Discrepancy for Exploration in Reinforcement Learning [64.8463574294237]
  本稿では,効率的かつ定量的な探索手法として,Rewarding Episodic Visitation Discrepancy (REVD)を提案する。 REVDは、R'enyiの発散に基づくエピソード間の訪問不一致を評価することによって、本質的な報酬を提供する。 PyBullet Robotics EnvironmentsとAtariゲームでテストされている。
  論文  参考訳（メタデータ） (2022-09-19T08:42:46Z)
• Anti-Concentrated Confidence Bonuses for Scalable Exploration [57.91943847134011]
  固有の報酬は、探検と探検のトレードオフを扱う上で中心的な役割を果たす。 楕円ボーナスを効率的に近似するためのエンファンティ集中型信頼境界を導入する。 我々は,Atariベンチマーク上での現代固有の報酬と競合する,深層強化学習のための実用的な変種を開発する。
  論文  参考訳（メタデータ） (2021-10-21T15:25:15Z)
• Goal-Directed Planning by Reinforcement Learning and Active Inference [16.694117274961016]
  ベイジアン推論を用いた新たな意思決定フレームワークを提案する。 ゴール指向の振る舞いは、計画によって$z$の後方分布から決定される。 本稿では,カメラ観測と連続運動動作を用いたセンサモレータナビゲーションタスクの実験により,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-18T06:41:01Z)
• Scalable Bayesian Inverse Reinforcement Learning [93.27920030279586]
  我々はAVRIL(Adroximate Variational Reward Imitation Learning)を紹介する。 本手法は,逆強化学習問題の誤った性質に対処する。 本手法を従来の制御シミュレーションと並行して実際の医療データに適用し,現在の手法の範囲を超えた環境におけるベイズ報酬推論を実証する。
  論文  参考訳（メタデータ） (2021-02-12T12:32:02Z)
• Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
  確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。 本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。 経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:04:09Z)
• Upper Confidence Primal-Dual Reinforcement Learning for CMDP with Adversarial Loss [145.54544979467872]
  マルコフ決定過程(CMDP)に対するオンライン学習の検討 本稿では,遷移モデルから標本化した軌跡のみを必要とする,新しいEmphupper confidence primal-dualアルゴリズムを提案する。 我々の分析では、ラグランジュ乗算過程の新たな高確率ドリフト解析を、高信頼強化学習の記念後悔解析に組み入れている。
  論文  参考訳（メタデータ） (2020-03-02T05:02:23Z)

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。