論文の概要: Differentiable Projection-based Learn to Optimize in Wireless Network-Part I: Convex Constrained (Non-)Convex Programming

• arxiv url: http://arxiv.org/abs/2502.00053v1
• Date: Wed, 29 Jan 2025 11:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 18:38:35.963265
• Title: Differentiable Projection-based Learn to Optimize in Wireless Network-Part I: Convex Constrained (Non-)Convex Programming
• Title（参考訳）: 無線ネットワークにおける可微分射影に基づく最適学習 -その1:制約付き凸プログラミング
• Authors: Xiucheng Wang, Xuan Zhao, Nan Cheng,
• Abstract要約: 本稿では,一般凸制約を考慮した(実現不可能な)最適化問題に対処する。 従来の凸最適化法は、これらの問題を最も一般的な形で効率的に扱うのに苦労することが多い。
• 参考スコア（独自算出の注目度）: 15.689556794350674
• License:
• Abstract: This paper addresses a class of (non-)convex optimization problems subject to general convex constraints, which pose significant challenges for traditional methods due to their inherent non-convexity and diversity. Conventional convex optimization-based solvers often struggle to efficiently handle these problems in their most general form. While neural network (NN)-based approaches offer a promising alternative, ensuring the feasibility of NN-generated solutions and effectively training the NN remain key hurdles, largely because finite-capacity networks can produce infeasible outputs. To overcome these issues, we propose a projection-based method that projects any infeasible NN output onto the feasible domain, thus guaranteeing strict adherence to the constraints without compromising the NN's optimization capability. Furthermore, we derive the objective function values for both the raw NN outputs and their projected counterparts, along with the gradients of these values with respect to the NN parameters. This derivation enables label-free (unsupervised) training, reducing reliance on labeled data and improving scalability. Experimental results demonstrate that the proposed projection-based method consistently ensures feasibility.
• Abstract（参考訳）: 本稿では,一般凸制約の対象となる(非凸最適化問題のクラスに対処し,その非凸性や多様性から従来の手法に重要な課題を提起する。 従来の凸最適化に基づく解法は、これらの問題を最も一般的な形で効率的に扱うのに苦労することが多い。 ニューラルネットワーク(NN)ベースのアプローチは、有望な代替手段を提供する一方で、NN生成ソリューションの実現可能性を確保し、NNを効果的にトレーニングすることは、主に有限容量ネットワークが実現不可能な出力を生成するため、重要なハードルのままである。 これらの問題を克服するため,提案手法では,実現不可能なNN出力を実行可能な領域に投影し,NNの最適化能力を損なうことなく,制約の厳密な遵守を保証できるプロジェクションベース手法を提案する。 さらに、これらの値の勾配とともに、生の NN 出力と投影された NN 出力の両方に対する目的関数値を導出する。 この派生は、ラベルなし(教師なし)のトレーニングを可能にし、ラベル付きデータへの依存を減らし、スケーラビリティを向上させる。 実験の結果,提案手法が常に実現可能であることが示された。

関連論文リスト

• Towards graph neural networks for provably solving convex optimization problems [5.966097889241178]
  提案するMPNNフレームワークは,検証可能な実現可能性保証を用いて凸最適化問題を解決する。 実験の結果,提案手法は既存の神経ベースラインよりも解の質や実現可能性に優れていた。
  論文  参考訳（メタデータ） (2025-02-04T16:11:41Z)
• Reliable Projection Based Unsupervised Learning for Semi-Definite QCQP with Application of Beamforming Optimization [11.385703484113552]
  本稿では,半定値制約を持つ特殊2次クラス(QCQP)について検討する。 本稿では,高い性能の制約解を得るための有望な手法としてニューラルネットワーク(NN)を提案する。 教師なし学習が使用されるため、NNはラベルなしで効果的に利用することができる。
  論文  参考訳（メタデータ） (2024-07-04T06:26:01Z)
• Achieving Constraints in Neural Networks: A Stochastic Augmented Lagrangian Approach [49.1574468325115]
  DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。 制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。 我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
  論文  参考訳（メタデータ） (2023-10-25T13:55:35Z)
• Self-supervised Equality Embedded Deep Lagrange Dual for Approximate Constrained Optimization [5.412875005737914]
  ニューラルネットワーク(NN)を用いた高速最適近似器としてDeepLDEを提案する。 不等式制約を課すために,DeepLDEと初等・非双対学習法の収束を証明した。 提案したDeepLDEソリューションは,最小のNNベースアプローチ間の最適ラグギャップを実現する。
  論文  参考訳（メタデータ） (2023-06-11T13:19:37Z)
• Power Control with QoS Guarantees: A Differentiable Projection-based Unsupervised Learning Framework [14.518558523319518]
  NPハード無線リソース割り当て問題を解決する潜在的なソリューションとして、ディープニューラルネットワーク(DNN)が登場している。 マルチユーザチャネルにおける古典的電力制御問題を解決するために,教師なし学習フレームワークを提案する。 提案手法は,データレートを向上するだけでなく,既存の計算に比べて制約違反の確率をゼロにすることを示す。
  論文  参考訳（メタデータ） (2023-05-31T14:11:51Z)
• Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
  ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。 これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。 本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
  論文  参考訳（メタデータ） (2022-11-16T18:59:54Z)
• Backward Reachability Analysis of Neural Feedback Loops: Techniques for Linear and Nonlinear Systems [59.57462129637796]
  本稿では,ニューラルネットワークを用いた閉ループシステムの安全性検証のための後方到達性アプローチを提案する。 フィードバックループにおけるNNの存在は、その活性化関数の非線形性や、NNモデルは一般に可逆的ではないため、ユニークな問題セットを示す。 フィードフォワードNNで表される制御ポリシを持つ線形系と非線形系のBP過近似を計算するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:17:28Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• FISAR: Forward Invariant Safe Reinforcement Learning with a Deep Neural Network-Based Optimize [44.65622657676026]
  Lyapunov関数として制約を取り、ポリシーパラメータの更新ダイナミクスに新たな線形制約を課す。 新しい保証可能な制約が元のポリシーパラメータの代わりに動的に更新されるため、古典的な最適化アルゴリズムはもはや適用されない。
  論文  参考訳（メタデータ） (2020-06-19T21:58:42Z)

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。