論文の概要: Code Retrieval for MILP Instance Generation

• arxiv url: http://arxiv.org/abs/2505.11526v1
• Date: Sun, 11 May 2025 10:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.677092
• Title: Code Retrieval for MILP Instance Generation
• Title（参考訳）: MILPインスタンス生成のためのコード検索
• Authors: Tianxing Yang, Huigen Ye, Hua Xu,
• Abstract要約: Mixed-Integer Linear Programming (MILP) はスケジューリング、ロジスティクス、計画などの分野で広く使われている。 MILPインスタンス生成のための既存のメソッドは通常、各問題クラスごとに個別のモデルをトレーニングする必要がある。 我々は、MILPインスタンス生成タスクをMILPコード生成タスクとして再構成し、コードを通して効率よく、柔軟で、解釈可能なインスタンス生成を可能にする。
• 参考スコア（独自算出の注目度）: 9.289277282074776
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Mixed-Integer Linear Programming (MILP) is widely used in fields such as scheduling, logistics, and planning. Enhancing the performance of MILP solvers, particularly learning-based solvers, requires substantial amounts of high-quality data. However, existing methods for MILP instance generation typically necessitate training a separate model for each problem class and are computationally intensive when generating new instances. To address these limitations, we reformulate the MILP Instance Generation task as MILP Code Generation task, enabling efficient, flexible, and interpretable instance generation through code. Since MILP instances generated from code can vary significantly in scale, we introduce MILP-EmbedSim, a new similarity metric that accurately measures the similarity between instances of varying sizes within the same problem class. Leveraging this metric, we propose MILP-Retrieval, a pipeline that retrieves generation code from library to produce MILP instances highly similar to target instance. MILP-Retrieval outperforms baselines in both MILP Code Generation and Instance Generation tasks, provides a novel perspective on MILP instance generation and opens new possibilities for learning-based solvers.
• Abstract（参考訳）: Mixed-Integer Linear Programming (MILP) はスケジューリング、ロジスティクス、計画などの分野で広く使われている。 MILPソルバ、特に学習ベースのソルバの性能向上には、かなりの量の高品質なデータが必要である。 しかし、既存のMILPインスタンス生成方法は、通常、各問題クラスごとに個別のモデルをトレーニングする必要がある。 これらの制約に対処するため、MILPインスタンス生成タスクをMILPコード生成タスクとして再構成し、コードを通して効率よく、柔軟で、解釈可能なインスタンス生成を可能にする。 コードから生成されたMILPインスタンスはスケール的に大きく異なるため、同じ問題クラス内の様々なサイズのインスタンス間の類似度を正確に測定するMILP-EmbedSimという新しい類似度指標を導入する。 そこで我々は,MILP-Retrievalを提案する。MILP-Retrievalはライブラリから生成コードを取得し,ターゲットインスタンスと非常によく似たMILPインスタンスを生成するパイプラインである。 MILP-Retrievalは、MILPコード生成タスクとインスタンス生成タスクの両方でベースラインを上回り、MILPインスタンス生成の新しい視点を提供し、学習ベースのソルバに新たな可能性を開く。

関連論文リスト

• MergeBench: A Benchmark for Merging Domain-Specialized LLMs [19.49737955489798]
  モデルマージを大規模に評価するための総合評価スイートであるMergeBenchを紹介する。 MergeBenchは、2Bから9BスケールのLlamaやGemmaファミリなど、最先端のオープンソース言語モデルを構築している。 マルチタスク性能, 忘れられたこと, 実行効率にまたがる8つの代表的なマージ手法を評価した。
  論文  参考訳（メタデータ） (2025-05-16T04:02:55Z)
• Leveraging Metamemory Mechanisms for Enhanced Data-Free Code Generation in LLMs [44.80420740455364]
  M2WFは、大規模言語モデルのワンタイムコード生成を改善するためのフレームワークである。 従来の方法とは異なり、キュレートされたデータへの依存を最小限に抑え、さまざまなコーディングシナリオに適応する。 コードとフレームワークはGitHubとHuggingFaceで公開されている。
  論文  参考訳（メタデータ） (2025-01-14T07:16:43Z)
• MILP-StuDio: MILP Instance Generation via Block Structure Decomposition [55.79888361191114]
  Mixed-integer linear programming (MILP) は、多くの応用において最も一般的な数学的定式化の1つである。 我々は,ブロック構造を保存して高品質なインスタンスを生成するために,ブロック構造分解(MILP-StuDio)と呼ばれる新しいMILP生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-30T08:33:27Z)
• Towards Foundation Models for Mixed Integer Linear Programming [15.064109397239086]
  MILPの最近のディープラーニングアプローチは、特定の問題クラスに焦点を当てており、目に見えないクラスに一般化しない。 多様なMILPクラスを多数生成できる新しい進化的フレームワークであるMILP-Evolveを紹介する。 実験の結果,MILP-Evolveが生成したデータに基づいてトレーニングしたモデルでは,目に見えない問題に対して大幅な改善が得られた。
  論文  参考訳（メタデータ） (2024-10-10T18:20:44Z)
• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Pathfinding [76.67608003501479]
  POGEMAは、学習のための高速環境、問題インスタンスジェネレータ、可視化ツールキットを含む、総合的なツールセットである。 また、プライマリ評価指標に基づいて計算されるドメイン関連メトリクスの範囲を規定する評価プロトコルを導入し、定義する。 この比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含む。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• DIG-MILP: a Deep Instance Generator for Mixed-Integer Linear Programming with Feasibility Guarantee [47.11455377400096]
  混合整数線形プログラミング(MILP)は、多くの重要な産業アプリケーションにとって重要なNPハード問題である。 可変オートエンコーダ(VAE)に基づく深層生成フレームワークであるDIG-MILPを提案する。
  論文  参考訳（メタデータ） (2023-10-20T03:45:29Z)
• A Deep Instance Generative Framework for MILP Solvers Under Limited Data Availability [66.37474135424637]
  我々は、MILPインスタンスのための最初の深層生成フレームワークであるG2MILPを提案する。 G2MILPはMILPインスタンスを二部グラフとして表現し、マスク付き変分オートエンコーダを元のグラフの一部を反復的に破損させ、置き換えて新しいグラフを生成する。 生成されたMILPインスタンスの品質を評価するためのベンチマークスイートを設計する。
  論文  参考訳（メタデータ） (2023-10-04T13:34:34Z)
• Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
  モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。 古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。 我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:46:41Z)
• Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
  モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。 既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。 本稿では,MAMLのメモリベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:47:58Z)

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。