論文の概要: Initialization Method for Factorization Machine Based on Low-Rank Approximation for Constructing a Corrected Approximate Ising Model

• arxiv url: http://arxiv.org/abs/2410.12747v1
• Date: Wed, 16 Oct 2024 17:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:41:32.144649
• Title: Initialization Method for Factorization Machine Based on Low-Rank Approximation for Constructing a Corrected Approximate Ising Model
• Title（参考訳）: 補正近似等化モデル構築のための低ランク近似に基づくファクトリゼーションマシンの初期化法
• Authors: Yuya Seki, Hyakka Nakada, Shu Tanaka,
• Abstract要約: Isingモデルは、機械学習モデルであるFacterization Machine(FM)を用いて、高い精度で近似される。 FMQAの最適化性能は、ウォームスタート方式の実装により向上することが期待されている。
• 参考スコア（独自算出の注目度）: 1.194799054956877
• License:
• Abstract: This paper presents an initialization method that can approximate a given approximate Ising model with a high degree of accuracy using the Factorization Machine (FM), a machine learning model. The construction of Ising models using FM is applied to the combinatorial optimization problem using the factorization machine with quantum annealing. It is anticipated that the optimization performance of FMQA will be enhanced through the implementation of the warm-start method. Nevertheless, the optimal initialization method for leveraging the warm-start approach in FMQA remains undetermined. Consequently, the present study compares a number of initialization methods and identifies the most appropriate for use with a warm-start in FMQA through numerical experimentation. Furthermore, the properties of the proposed FM initialization method are analyzed using random matrix theory, demonstrating that the approximation accuracy of the proposed method is not significantly influenced by the specific Ising model under consideration. The findings of this study will facilitate the advancement of combinatorial optimization problem-solving through the use of Ising machines.
• Abstract（参考訳）: 本稿では,機械学習モデルであるFacterization Machine(FM)を用いて,与えられた近似Isingモデルを高精度に近似できる初期化手法を提案する。 FMを用いたIsingモデルの構築は、量子アニールを用いた因子化マシンを用いた組合せ最適化問題に適用する。 FMQAの最適化性能は、ウォームスタート方式の実装により向上することが期待されている。 それでも、FMQAにおけるウォームスタートアプローチを利用するための最適初期化法は未決定のままである。 そこで本研究では,FMQAの初期化手法を多数比較し,数値実験によりFMQAのウォームスタートに最も適した手法を同定した。 さらに,提案手法の特性を確率行列理論を用いて解析し,提案手法の近似精度が検討中のIsingモデルに大きく影響しないことを実証した。 本研究は,Ising マシンを用いた組合せ最適化問題の進展を促進するものである。

関連論文リスト

• Maximum a Posteriori Estimation for Linear Structural Dynamics Models Using Bayesian Optimization with Rational Polynomial Chaos Expansions [0.01578888899297715]
  本稿では,MAP推定のための既存のスパースベイズ学習手法の拡張を提案する。 ベイズ最適化手法を導入し,実験設計を適応的に強化する。 疎性誘導学習と実験設計を組み合わせることで,モデル評価の回数を効果的に削減する。
  論文  参考訳（メタデータ） (2024-08-07T06:11:37Z)
• Parameter Generation of Quantum Approximate Optimization Algorithm with Diffusion Model [3.6959187484738902]
  量子コンピューティングは確率最適化の分野に革命をもたらす可能性がある。 本稿では,ハイブリッド量子古典アルゴリズムであるQuantum Approximate Optimization Algorithm (QAOA)を提案する。 拡散モデルでは, 高い性能パラメータの分布を学習し, 最適パラメータに近い新しいパラメータを合成できることが示される。
  論文  参考訳（メタデータ） (2024-07-17T01:18:27Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Data-driven decision-focused surrogate modeling [10.1947610432159]
  本稿では,実時間設定における非線形最適化問題の解決を目的とした,意思決定中心の代理モデルの概念を紹介する。 提案したデータ駆動フレームワークは、決定予測エラーを最小限に抑えるためにトレーニングされた、よりシンプルな、例えば凸(convex)、代理最適化モデル(surrogate optimization model)を学ぶことを目指している。 我々は、一般的な非線形化学プロセスの最適化を含む数値実験を通して、我々の枠組みを検証する。
  論文  参考訳（メタデータ） (2023-08-23T14:23:26Z)
• Hybrid Algorithm of Linear Programming Relaxation and Quantum Annealing [0.6526824510982802]
  1つのアプローチは、古典的アルゴリズムを用いて近似解を取得し、量子アニール(QA)を用いてそれを精製することである。 本稿では,リニアプログラミング(LP)緩和と呼ばれる単純な連続緩和手法を用いる手法を提案する。
  論文  参考訳（メタデータ） (2023-08-21T14:53:43Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• SimPO: Simultaneous Prediction and Optimization [3.181417685380586]
  本稿では,同時予測最適化(SimPO)フレームワークの定式化を提案する。 このフレームワークでは,決定駆動型予測MLモデルと最適化対象関数の重み付き損失を併用する。
  論文  参考訳（メタデータ） (2022-03-31T20:01:36Z)
• Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
  また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。 これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-09-01T19:12:11Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)

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。