論文の概要: FSNet: Feasibility-Seeking Neural Network for Constrained Optimization with Guarantees

• arxiv url: http://arxiv.org/abs/2506.00362v1
• Date: Sat, 31 May 2025 03:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.184014
• Title: FSNet: Feasibility-Seeking Neural Network for Constrained Optimization with Guarantees
• Title（参考訳）: FSNet:保証者による制約付き最適化のための可能性探索ニューラルネットワーク
• Authors: Hoang T. Nguyen, Priya L. Donti,
• Abstract要約: 伝統的な解法は、しばしばリアルタイムの使用に対して計算的に禁止される。 機械学習ベースのアプローチが代替手段として登場したが、厳格に制約を強制することに苦労している。 制約満足度を確保するためにFSNet(Feasibility-Seeking-Integrated Network)を提案する。
• 参考スコア（独自算出の注目度）: 3.345575993695074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficiently solving constrained optimization problems is crucial for numerous real-world applications, yet traditional solvers are often computationally prohibitive for real-time use. Machine learning-based approaches have emerged as a promising alternative to provide approximate solutions at faster speeds, but they struggle to strictly enforce constraints, leading to infeasible solutions in practice. To address this, we propose the Feasibility-Seeking-Integrated Neural Network (FSNet), which integrates a feasibility-seeking step directly into its solution procedure to ensure constraint satisfaction. This feasibility-seeking step solves an unconstrained optimization problem that minimizes constraint violations in a differentiable manner, enabling end-to-end training and providing guarantees on feasibility and convergence. Our experiments across a range of different optimization problems, including both smooth/nonsmooth and convex/nonconvex problems, demonstrate that FSNet can provide feasible solutions with solution quality comparable to (or in some cases better than) traditional solvers, at significantly faster speeds.
• Abstract（参考訳）: 制約付き最適化問題を効果的に解くことは、多くの現実世界のアプリケーションにとって重要であるが、従来の解法はしばしばリアルタイム利用には計算的に禁じられている。 機械学習ベースのアプローチは、高速で近似的なソリューションを提供するための有望な代替手段として現れてきたが、厳格に制約を強制することに苦労し、実際には実現不可能なソリューションへと繋がった。 そこで本研究では,Fasibility-Seeking-Integrated Neural Network (FSNet)を提案する。 この実現可能性探索ステップは、制約違反を異なる方法で最小化し、エンドツーエンドのトレーニングを可能にし、実現可能性と収束の保証を提供する、制約のない最適化問題を解決する。 我々の実験は、スムーズ/非滑らかと凸/非凸の2つの問題を含む様々な最適化問題にまたがって、FSNetが従来の解法に匹敵する(場合によってはより優れている)ソリューション品質を備えた実現可能なソリューションを、はるかに高速に提供できることを実証した。

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)
• Differentiable Projection-based Learn to Optimize in Wireless Network-Part I: Convex Constrained (Non-)Convex Programming [15.689556794350674]
  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。
  論文  参考訳（メタデータ） (2025-01-29T11:52:27Z)
• Self-Supervised Learning of Iterative Solvers for Constrained Optimization [0.0]
  制約付き最適化のための学習型反復解法を提案する。 解法を特定のパラメトリック最適化問題にカスタマイズすることで、非常に高速で正確な解を得ることができる。 最適性のKarush-Kuhn-Tucker条件に基づく新しい損失関数を導入し、両ニューラルネットワークの完全な自己教師付きトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-09-12T14:17:23Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• BalMCTS: Balancing Objective Function and Search Nodes in MCTS for Constraint Optimization Problems [7.196057722218442]
  制約問題最適化(COP)は、通常ブランチ・アンド・バウンド(B&B)法によって解決される問題において、複雑な課題を提起する。 COPを解くための深度優先探索アルゴリズムに基づく新しいニューラルネットワークアルゴリズムを提案する。 提案手法は,最初の5つの実現可能な解のうち17.63%未満のギャップを有する実現可能な解を同定する。
  論文  参考訳（メタデータ） (2023-12-26T03:09:08Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• Multiobjective variational quantum optimization for constrained problems: an application to Cash Management [45.82374977939355]
  本稿では,変分量子アルゴリズムを用いた制約付き最適化問題の解法を提案する。 我々は、キャッシュマネジメント問題という、金融の極めて関連性の高い現実世界の問題について、我々の提案を検証した。 実験の結果, 実現したソリューションのコスト, 特に局所最小値の回避に関して, 大幅な改善が見られた。
  論文  参考訳（メタデータ） (2023-02-08T17:09:20Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning [96.01176486957226]
  無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。 本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
  論文  参考訳（メタデータ） (2020-01-03T11:01:52Z)

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。