論文の概要: A Method for Learning to Solve Parametric Bilevel Optimization with Coupling Constraints

• arxiv url: http://arxiv.org/abs/2507.09050v1
• Date: Fri, 11 Jul 2025 21:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:22.173059
• Title: A Method for Learning to Solve Parametric Bilevel Optimization with Coupling Constraints
• Title（参考訳）: 結合制約を用いたパラメトリック二値最適化の学習法
• Authors: James Kotary, Himanshu Sharma, Ethan King, Draguna Vrabie, Ferdinando Fioretto, Jan Drgona,
• Abstract要約: 本稿では,多種多様な二段階最適化問題を解くための学習フレームワークを提案する。 このフレームワークは、合成二段階プログラムの配列と、制御システムの共設計問題に挑戦する。
• 参考スコア（独自算出の注目度）: 46.74496760711108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to Optimize (L2O) is a subfield of machine learning (ML) in which ML models are trained to solve parametric optimization problems. The general goal is to learn a fast approximator of solutions to constrained optimization problems, as a function of their defining parameters. Prior L2O methods focus almost entirely on single-level programs, in contrast to the bilevel programs, whose constraints are themselves expressed in terms of optimization subproblems. Bilevel programs have numerous important use cases but are notoriously difficult to solve, particularly under stringent time demands. This paper proposes a framework for learning to solve a broad class of challenging bilevel optimization problems, by leveraging modern techniques for differentiation through optimization problems. The framework is illustrated on an array of synthetic bilevel programs, as well as challenging control system co-design problems, showing how neural networks can be trained as efficient approximators of parametric bilevel optimization.
• Abstract（参考訳）: Learning to Optimize (L2O)は機械学習(ML)のサブフィールドであり、MLモデルはパラメトリック最適化問題を解決するために訓練される。 一般的なゴールは、パラメータ定義の関数として、制約付き最適化問題の解の高速近似を学習することである。 以前のL2O法は、最適化サブプロブレムの観点で表現される2レベルプログラムとは対照的に、ほとんど完全にシングルレベルプログラムに焦点を当てていた。 バイレベルプログラムには多くの重要なユースケースがあるが、特に厳しい時間的要求の下では解決が難しいことが知られている。 本稿では,最適化問題を通じて,現代的な手法を応用して,多種多様な二段階最適化問題の解法を学習するための枠組みを提案する。 このフレームワークは、合成二レベルプログラムの配列と、ニューラルネットワークをパラメトリック二レベル最適化の効率的な近似器としてどのように訓練するかを示す、制御システムの共設計問題に挑戦する。

関連論文リスト

• Decomposition of Difficulties in Complex Optimization Problems Using a Bilevel Approach [0.30723404270319693]
  実際の最適化問題には、特定の最適化方法に依存する場合、しばしば難解な様々な困難が含まれている。 複雑な最適化問題に対して2つのアプローチを同時に適用できる分解戦略を提案する。
  論文  参考訳（メタデータ） (2024-07-03T18:59:17Z)
• A Primal-Dual-Assisted Penalty Approach to Bilevel Optimization with Coupled Constraints [66.61399765513383]
  We developed a BLOCC algorithm to tackle BiLevel Optimization problems with Coupled Constraints。 2つのよく知られた実世界のアプリケーションでその効果を実証する。
  論文  参考訳（メタデータ） (2024-06-14T15:59:36Z)
• Contextual Stochastic Bilevel Optimization [50.36775806399861]
  文脈情報と上層変数の期待を最小化する2レベル最適化フレームワークCSBOを導入する。 メタラーニング、パーソナライズドラーニング、エンド・ツー・エンドラーニング、Wassersteinはサイド情報(WDRO-SI)を分散的に最適化している。
  論文  参考訳（メタデータ） (2023-10-27T23:24:37Z)
• Fast Adaptive Federated Bilevel Optimization [14.579475552088692]
  本稿では,分散二レベル最適化問題の解法として,適応型二レベル最適化アルゴリズム(AdaFBiO)を提案する。 AdaFBiOは、統一適応行列を用いて、様々な適応学習率を柔軟に組み込んで、ULおよびLL問題の変数を更新する。 AdaFBiOアルゴリズムの収束解析フレームワークを提供し、$tildeO(epsilon-3)$の複雑さと$tildeO(epsilon-2)$のコミュニケーション複雑さのサンプルが必要であることを証明した。
  論文  参考訳（メタデータ） (2022-11-02T13:55:47Z)
• A Constrained Optimization Approach to Bilevel Optimization with Multiple Inner Minima [49.320758794766185]
  そこで本研究では,両レベル問題を等価な制約付き最適化に変換する手法を提案する。 このようなアプローチには、(a)多重内極小問題への対処、(b)ジャコビアン計算のない完全一階効率など、いくつかの利点がある。
  論文  参考訳（メタデータ） (2022-03-01T18:20:01Z)
• Enhanced Bilevel Optimization via Bregman Distance [104.96004056928474]
  本稿では,Bregman Bregman関数に基づく二段階最適化手法を提案する。 また,分散還元法によるSBiO-BreD法(ASBiO-BreD)の高速化版も提案する。
  論文  参考訳（メタデータ） (2021-07-26T16:18:43Z)
• Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
  最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。 この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2021-03-23T20:46:20Z)
• Learning to Optimize Under Constraints with Unsupervised Deep Neural Networks [0.0]
  機械学習(ML)手法を提案し,汎用的制約付き連続最適化問題の解法を学習する。 本稿では,制約付き最適化問題をリアルタイムに解くための教師なしディープラーニング(DL)ソリューションを提案する。
  論文  参考訳（メタデータ） (2021-01-04T02:58:37Z)

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。