論文の概要: A Comprehensive Evaluation of Contemporary ML-Based Solvers for Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2505.16952v1
• Date: Thu, 22 May 2025 17:34:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.506776
• Title: A Comprehensive Evaluation of Contemporary ML-Based Solvers for Combinatorial Optimization
• Title（参考訳）: 組合せ最適化のための現代MLに基づく解の包括的評価
• Authors: Shengyu Feng, Weiwei Sun, Shanda Li, Ameet Talwalkar, Yiming Yang,
• Abstract要約: フロンティアコ(FrontierCO)は、8つの標準最適化問題タイプをカバーし、16の代表的なMLベースの解法を評価できるベンチマークである。 私たちの経験的結果は、現在の機械学習と最適化手法の長所と短所について、重要な洞察を与えてくれる。
• 参考スコア（独自算出の注目度）: 41.86009485086193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) has demonstrated considerable potential in supporting model design and optimization for combinatorial optimization (CO) problems. However, much of the progress to date has been evaluated on small-scale, synthetic datasets, raising concerns about the practical effectiveness of ML-based solvers in real-world, large-scale CO scenarios. Additionally, many existing CO benchmarks lack sufficient training data, limiting their utility for evaluating data-driven approaches. To address these limitations, we introduce FrontierCO, a comprehensive benchmark that covers eight canonical CO problem types and evaluates 16 representative ML-based solvers--including graph neural networks and large language model (LLM) agents. FrontierCO features challenging instances drawn from industrial applications and frontier CO research, offering both realistic problem difficulty and abundant training data. Our empirical results provide critical insights into the strengths and limitations of current ML methods, helping to guide more robust and practically relevant advances at the intersection of machine learning and combinatorial optimization. Our data is available at https://huggingface.co/datasets/CO-Bench/FrontierCO.
• Abstract（参考訳）: 機械学習(ML)は、組合せ最適化(CO)問題に対するモデル設計と最適化をサポートする大きな可能性を示している。 しかしながら、これまでの進歩の多くは、小規模で合成されたデータセットで評価され、現実の大規模COシナリオにおけるMLベースの解決器の実用的有効性への懸念が高まっている。 さらに、既存のCOベンチマークには十分なトレーニングデータがなく、データ駆動アプローチを評価するためのユーティリティが制限されている。 これらの制限に対処するため、FrontierCOは8つの標準CO問題タイプをカバーする包括的なベンチマークであり、グラフニューラルネットワークや大規模言語モデル(LLM)エージェントを含む16のMLベースの代表的な問題解決者を評価する。 FrontierCOは、産業アプリケーションとフロンティアCO研究から引き出された挑戦的なインスタンスを特徴とし、現実的な問題の難しさと豊富なトレーニングデータの両方を提供する。 我々の経験的結果は、現在のML手法の長所と短所について批判的な洞察を与え、機械学習と組合せ最適化の交差点におけるより堅牢で実用的な進歩を導くのに役立ちます。 私たちのデータはhttps://huggingface.co/datasets/CO-Bench/FrontierCOで公開されています。

関連論文リスト

• UniCO: Towards a Unified Model for Combinatorial Optimization Problems [30.524941693870534]
  Combinatorial Optimization (CO)は多くの現実世界のシナリオで発生する幅広い問題を含んでいる。 我々は,様々なCO問題を解決する統一モデルであるUniCOを紹介する。
  論文  参考訳（メタデータ） (2025-05-07T12:39:33Z)
• Optimizing Pretraining Data Mixtures with LLM-Estimated Utility [52.08428597962423]
  大規模な言語モデルは、高品質なトレーニングデータの増加によって改善される。 トークンカウントは手動と学習の混合よりも優れており、データセットのサイズと多様性に対する単純なアプローチが驚くほど効果的であることを示している。 UtiliMaxは,手動ベースラインよりも最大10.6倍のスピードアップを達成することで,トークンベースの200ドルを拡大する。また,LLMを活用して小さなサンプルからデータユーティリティを推定するモデル推定データユーティリティ(MEDU)は,計算要求を$simxで削減し,アブレーションベースのパフォーマンスに適合する。
  論文  参考訳（メタデータ） (2025-01-20T21:10:22Z)
• RL4CO: an Extensive Reinforcement Learning for Combinatorial Optimization Benchmark [69.19502244910632]
  深部強化学習(RL)は、最適化(CO)問題を解く上で大きな利点を示している。 RL4COは,23の最先端メソッドと20以上のCO問題を含む,詳細なライブラリカバレッジを備えた統一ベンチマークである。 効率的なソフトウェアライブラリと実装のベストプラクティスに基づいて構築されたRL4COは、モジュール化された実装と、多様なRLアルゴリズム、ニューラルネットワークアーキテクチャ、推論技術、環境の柔軟な構成を備えている。
  論文  参考訳（メタデータ） (2023-06-29T16:57:22Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Unsupervised Learning for Combinatorial Optimization Needs Meta-Learning [14.86600327306136]
  最適化のための教師なし学習(CO)の一般的なフレームワークは、出力がCOの目的を直接最適化することで問題解決をもたらすニューラルネットワーク(NN)を訓練することである。 本研究では,COにおける教師なし学習の新たな目的について提案する。この学習の目的は,直接的な解決策を与えるのではなく,将来の問題インスタンスの優れた初期化を探すことである。 微調整前のモデルが与える初期解だけでも, 様々な評価条件下では, ベースラインを著しく上回る結果が得られます。
  論文  参考訳（メタデータ） (2023-01-08T22:14:59Z)
• Matrix Encoding Networks for Neural Combinatorial Optimization [5.524431376262751]
  一般的なアプローチは、与えられた最適化(CO)問題のパラメータをニューラルネットワークで計算することである。 現在、そのような行列スタイルの関係データを入力として取り込むニューラルネットモデルは存在しない。 本稿では,このような複雑なCO問題のパラメータをいかに便利に取り込み,処理するかを示す。
  論文  参考訳（メタデータ） (2021-06-21T13:50:23Z)
• A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
  本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。 このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2021-06-09T09:18:18Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。