論文の概要: Conformal Mixed-Integer Constraint Learning with Feasibility Guarantees

• arxiv url: http://arxiv.org/abs/2506.03531v1
• Date: Wed, 04 Jun 2025 03:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.132068
• Title: Conformal Mixed-Integer Constraint Learning with Feasibility Guarantees
• Title（参考訳）: 実現可能性保証を用いたコンフォーマル混合整数制約学習
• Authors: Daniel Ovalle, Lorenz T. Biegler, Ignacio E. Grossmann, Carl D. Laird, Mateo Dulce Rubio,
• Abstract要約: Conformal Mixed-Integer Constraint Learningは、最適化問題におけるデータ駆動制約の確率論的実現可能性を保証する。 我々は,C-MICLが目標レートを一貫して達成し,競争目標性能を維持し,既存の手法に比べて計算コストを大幅に削減することを示す。
• 参考スコア（独自算出の注目度）: 0.3058340744328236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Conformal Mixed-Integer Constraint Learning (C-MICL), a novel framework that provides probabilistic feasibility guarantees for data-driven constraints in optimization problems. While standard Mixed-Integer Constraint Learning methods often violate the true constraints due to model error or data limitations, our C-MICL approach leverages conformal prediction to ensure feasible solutions are ground-truth feasible. This guarantee holds with probability at least $1{-}\alpha$, under a conditional independence assumption. The proposed framework supports both regression and classification tasks without requiring access to the true constraint function, while avoiding the scalability issues associated with ensemble-based heuristics. Experiments on real-world applications demonstrate that C-MICL consistently achieves target feasibility rates, maintains competitive objective performance, and significantly reduces computational cost compared to existing methods. Our work bridges mathematical optimization and machine learning, offering a principled approach to incorporate uncertainty-aware constraints into decision-making with rigorous statistical guarantees.
• Abstract（参考訳）: 最適化問題におけるデータ駆動制約の確率論的実現可能性を保証する新しいフレームワークであるConformal Mixed-Integer Constraint Learning (C-MICL)を提案する。 標準混合整数制約学習法は、モデルエラーやデータ制限による真の制約に反することが多いが、我々のC-MICLアプローチは、共形予測を利用して、実現可能な解が真真正であることを保証する。 この保証は、条件付き独立仮定の下で、少なくとも1{-}\alpha$の確率で成り立つ。 提案フレームワークは, アンサンブルに基づくヒューリスティックスに関連するスケーラビリティの問題を回避するとともに, 真の制約関数へのアクセスを必要とせず, 回帰処理と分類処理の両方をサポートする。 実世界の応用実験では、C-MICLは目標実現率を一貫して達成し、競争目標性能を維持し、既存の手法に比べて計算コストを大幅に削減することを示した。 我々の研究は数学的最適化と機械学習を橋渡しし、不確実性を考慮した制約を厳密な統計的保証を伴う意思決定に組み込むための原則的なアプローチを提供する。

関連論文リスト

• Enforcing Hard Linear Constraints in Deep Learning Models with Decision Rules [8.098452803458253]
  本稿では、入力依存線形等式とニューラルネットワーク出力の不等式制約を強制するモデルに依存しないフレームワークを提案する。 このアーキテクチャは、予測精度のために訓練されたタスクネットワークと、実行時の決定ルールと堅牢な最適化を用いてトレーニングされた安全なネットワークを組み合わせることで、入力空間全体の実現可能性を保証する。
  論文  参考訳（メタデータ） (2025-05-20T03:09:44Z)
• Constrained Online Decision-Making: A Unified Framework [14.465944215100746]
  本稿では,段階的実現可能性制約による逐次意思決定の一般的な定式化について検討する。 本稿では,既存の制約付き学習問題を抽出する統一的なアルゴリズムフレームワークを提案する。 この結果は、理論と実践の両方において、制約付きシーケンシャルな意思決定のための原則化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-11T19:22:04Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Resilient Constrained Reinforcement Learning [87.4374430686956]
  本稿では,複数の制約仕様を事前に特定しない制約付き強化学習(RL)のクラスについて検討する。 報酬訓練目標と制約満足度との間に不明確なトレードオフがあるため、適切な制約仕様を特定することは困難である。 我々は、ポリシーと制約仕様を一緒に検索する新しい制約付きRLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-28T18:28:23Z)
• f-FERM: A Scalable Framework for Robust Fair Empirical Risk Minimization [9.591164070876689]
  本稿では、f-divergence measures(f-FERM)に基づく公正な経験的リスクに対する統一的な最適化フレームワークを提案する。 さらに,f-FERMによるほぼ全てのバッチサイズに対するフェアネス・精度トレードオフの優位性を実証した。 我々の拡張は、不確実集合として$L_p$ノルムの下で f-FERM の目的を分布的に頑健に最適化する手法に基づいている。
  論文  参考訳（メタデータ） (2023-12-06T03:14:16Z)
• Calibrated Data-Dependent Constraints with Exact Satisfaction Guarantees [46.94549066382216]
  データに依存した制約で機械学習モデルを訓練する作業について検討する。 我々は、データ依存の制約を校正するように修正し、修正された制約を強制することで、期待値の制約がユーザによって規定された確率で満たされることを保証する。
  論文  参考訳（メタデータ） (2023-01-15T21:41:40Z)
• On data-driven chance constraint learning for mixed-integer optimization problems [0.0]
  本稿では,混合整数線形最適化問題に着目したCCL手法を提案する。 CCLは線形化可能な機械学習モデルを使用して、学習変数の条件量子を推定する。 実践者が使用するオープンアクセスソフトウェアが開発されている。
  論文  参考訳（メタデータ） (2022-07-08T11:54:39Z)
• The empirical duality gap of constrained statistical learning [115.23598260228587]
  本研究では,制約付き統計学習問題(制約なし版)について,ほぼ全ての現代情報処理のコアとなる研究を行った。 本稿では, 有限次元パラメータ化, サンプル平均, 双対性理論を利用して, 無限次元, 未知分布, 制約を克服する制約付き統計問題に取り組むことを提案する。 フェアラーニングアプリケーションにおいて,この制約付き定式化の有効性と有用性を示す。
  論文  参考訳（メタデータ） (2020-02-12T19:12:29Z)

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。