論文の概要: A Machine Learning Approach That Beats Large Rubik's Cubes

• arxiv url: http://arxiv.org/abs/2502.13266v1
• Date: Tue, 18 Feb 2025 20:22:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:58:55.050202
• Title: A Machine Learning Approach That Beats Large Rubik's Cubes
• Title（参考訳）: 大型ルービックキューブに勝つ機械学習アプローチ
• Authors: Alexander Chervov, Kirill Khoruzhii, Nikita Bukhal, Jalal Naghiyev, Vladislav Zamkovoy, Ivan Koltsov, Lyudmila Cheldieva, Arsenii Sychev, Arsenii Lenin, Mark Obozov, Egor Urvanov, Alexey Romanov,
• Abstract要約: 本稿では,非常に大きなグラフ上でのパスフィニング問題に対する,機械学習に基づく新しいアプローチを提案する。 4x4x4 と 5x5x5 のルービック立方体に対する解を見つけることで、その効率性を実証する。
• 参考スコア（独自算出の注目度）: 32.8176720435354
• License:
• Abstract: The paper proposes a novel machine learning-based approach to the pathfinding problem on extremely large graphs. This method leverages diffusion distance estimation via a neural network and uses beam search for pathfinding. We demonstrate its efficiency by finding solutions for 4x4x4 and 5x5x5 Rubik's cubes with unprecedentedly short solution lengths, outperforming all available solvers and introducing the first machine learning solver beyond the 3x3x3 case. In particular, it surpasses every single case of the combined best results in the Kaggle Santa 2023 challenge, which involved over 1,000 teams. For the 3x3x3 Rubik's cube, our approach achieves an optimality rate exceeding 98%, matching the performance of task-specific solvers and significantly outperforming prior solutions such as DeepCubeA (60.3%) and EfficientCube (69.6%). Additionally, our solution is more than 26 times faster in solving 3x3x3 Rubik's cubes while requiring up to 18.5 times less model training time than the most efficient state-of-the-art competitor.
• Abstract（参考訳）: 本稿では,非常に大きなグラフ上でのパスフィニング問題に対する,機械学習に基づく新しいアプローチを提案する。 本手法は,ニューラルネットワークによる拡散距離推定を応用し,パスフィンディングのためのビームサーチを利用する。 本研究では, 4x4x4 と 5x5x5 のルービック立方体に対する解を求めることにより, その効率性を実証する。 特に、1000人以上のチームが参加するカグル・サンタ2023チャレンジでは、組み合わせた結果のすべてのケースを上回ります。 3x3x3ルービック立方体では、タスク固有の解法の性能に適合し、DeepCubeA (60.3%) やEfficientCube (69.6%) といった先行ソリューションよりもはるかに優れた最適率を達成する。 さらに、我々のソリューションは、3x3x3ルービックキューブの解法において26倍以上高速であり、最も効率的な最先端の競合他社よりも18.5倍のモデルトレーニング時間を必要とする。

関連論文リスト

• Solving a Rubik's Cube Using its Local Graph Structure [13.219469732742354]
  ルービックスキューブには6つの面と12の可能なアクションがあり、小さくて制約のないアクション空間に繋がる。 ルービックスキューブはグラフとして表すことができ、立方体の状態はノードであり、作用はエッジである。 グラフ畳み込みネットワークに基づいて、スクランブルされたルービックスキューブの解を見つけるための新しい探索アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-08-15T05:39:52Z)
• On Solving the Rubik's Cube with Domain-Independent Planners Using Standard Representations [7.470087627607195]
  本稿では,人気のあるPDDL言語における最初のルービックキューブ表現について述べる。 1つの比較実験で、DeepCubeAは様々な複雑さを持つ全ての問題を解き、78.5%しか最適計画ではないことがわかった。 我々の研究は、表現的選択と計画最適性の間のトレードオフに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-07-25T14:52:23Z)
• Learning To Dive In Branch And Bound [95.13209326119153]
  グラフニューラルネットワークを用いて特定の潜水構造を学習するためのL2Diveを提案する。 我々は、変数の割り当てを予測するために生成モデルを訓練し、線形プログラムの双対性を利用して潜水決定を行う。
  論文  参考訳（メタデータ） (2023-01-24T12:01:45Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• The Machine Learning for Combinatorial Optimization Competition (ML4CO): Results and Insights [59.93939636422896]
  ML4COは、キーコンポーネントを置き換えることで最先端の最適化問題を解決することを目的としている。 このコンペティションでは、最高の実現可能なソリューションを見つけること、最も厳密な最適性証明書を生成すること、適切なルーティング設定を提供すること、という3つの課題があった。
  論文  参考訳（メタデータ） (2022-03-04T17:06:00Z)
• Yordle: An Efficient Imitation Learning for Branch and Bound [1.6758573326215689]
  本研究では,2021年のNeurIPS Machine Learning for Combinatorial Optimization (ML4CO)コンペティションにおいて,チームqqyが得たソリューションと洞察を紹介する。 我々のソリューションは、ブランチ・アンド・バウンド(B&B)のパフォーマンス改善のための、Yordleという名前の非常に効率的な模倣学習フレームワークです。 我々の実験では、Yordleは、決定モデルのトレーニングに要する時間とデータの量を大幅に削減しながら、競争によって採用されるベースラインアルゴリズムを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-02-02T14:46:30Z)
• HANT: Hardware-Aware Network Transformation [82.54824188745887]
  ハードウェア・アウェア・ネットワーク・トランスフォーメーション(HANT)を提案する。 HANTは、ニューラルネットワーク検索のようなアプローチを使用して、非効率な操作をより効率的な代替手段に置き換える。 EfficientNetファミリの高速化に関する我々の結果は、ImageNetデータセットのトップ1の精度で最大3.6倍、0.4%の低下でHANTがそれらを加速できることを示している。
  論文  参考訳（メタデータ） (2021-07-12T18:46:34Z)
• Self-Supervision is All You Need for Solving Rubik's Cube [0.0]
  この研究は、ルービックキューブで表される、あらかじめ定義されたゴールで問題を解決するためのシンプルで効率的なディープラーニング手法を導入する。 このような問題に対して、目標状態から分岐するランダムスクランブル上でディープニューラルネットワークをトレーニングすることは、ほぼ最適解を達成するのに十分であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T15:38:50Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• The Importance of Good Starting Solutions in the Minimum Sum of Squares Clustering Problem [0.0]
  クラスタリング問題は、機械学習、オペレーションリサーチ、統計学に多くの応用がある。 本稿では,改良アルゴリズムの開始解を作成するための3つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T22:13:41Z)

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。