論文の概要: Inside madupite: Technical Design and Performance

• arxiv url: http://arxiv.org/abs/2507.22538v1
• Date: Wed, 30 Jul 2025 10:06:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.134564
• Title: Inside madupite: Technical Design and Performance
• Title（参考訳）: マドピートの内部 - 技術的設計とパフォーマンス
• Authors: Matilde Gargiani, Robin Sieber, Philip Pawlowsky, John Lygeros,
• Abstract要約: 大規模割引化無限水平マルコフ決定プロセスのための高性能解法であるマドプタイトを導入・ベンチマークする。 Madupiteは、我々の知る限り、大規模なマルコフ決定プロセスの正確な解を効率的に計算できる唯一の解法である。 Madupiteは、ユーザがソリューションアルゴリズムをカスタマイズして、問題の特定の構造をよりうまく活用できるという点でユニークなものだ。
• 参考スコア（独自算出の注目度）: 4.3273397507502125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we introduce and benchmark madupite, a newly proposed high-performance solver designed for large-scale discounted infinite-horizon Markov decision processes with finite state and action spaces. After a brief overview of the class of mathematical optimization methods on which madupite relies, we provide details on implementation choices, technical design and deployment. We then demonstrate its scalability and efficiency by showcasing its performance on the solution of Markov decision processes arising from different application areas, including epidemiology and classical control. Madupite sets a new standard as, to the best of our knowledge, it is the only solver capable of efficiently computing exact solutions for large-scale Markov decision processes, even when these exceed the memory capacity of modern laptops and operate in near-undiscounted settings. This is possible as madupite can work in a fully distributed manner and therefore leverage the memory storage and computation capabilities of modern high-performance computing clusters. This key feature enables the solver to efficiently handle problems of medium to large size in an exact manner instead of necessarily resorting to function approximations. Moreover, madupite is unique in allowing users to customize the solution algorithm to better exploit the specific structure of their problem, significantly accelerating convergence especially in large-discount factor settings. Overall, madupite represents a significant advancement, offering unmatched scalability and flexibility in solving large-scale Markov decision processes.
• Abstract（参考訳）: 本研究では,有限状態および作用空間を有する大規模割引無限水平マルコフ決定プロセスを対象とした,新しい高性能解法であるMadupiteの導入とベンチマークを行う。 マダウタイトが依存する数式最適化手法のクラスを概観した後、実装の選択、技術的な設計、展開について詳細を述べる。 次に、疫学や古典的な制御を含む様々な応用分野から生じるマルコフ決定プロセスの解にその性能を示すことで、そのスケーラビリティと効率を実証する。 Madupiteは新しい標準を、私たちの知る限りでは、現在のラップトップのメモリ容量を超え、ほぼ数え切れない設定で運用しても、大規模なMarkov決定プロセスの正確な解を効率的に計算できる唯一の解決手段と位置づけています。 これは、Madupiteが完全に分散した方法で動作可能であるため、現代の高性能コンピューティングクラスタのメモリストレージと計算能力を活用することができる。 この鍵となる特徴は、必ずしも関数近似に頼らずに、中～大の問題を正確に扱えることである。 さらに、Madupiteは、ユーザがソリューションアルゴリズムをカスタマイズして、問題の特定の構造をよりよく活用できるようにすることで、特に大局的な要因設定における収束を著しく加速する。 全体として、Madupiteは、大規模なMarkov決定プロセスの解決において、未整合のスケーラビリティと柔軟性を提供する、大幅な進歩を示している。

関連論文リスト

• EXALT: EXplainable ALgorithmic Tools for Optimization Problems [2.1184929769291294]
  本稿では、最適化問題から始めることで、説明可能なアルゴリズムを開発するための新しいアプローチを提案する。 開発したソフトウェアライブラリは,4つの重要な方法論を通じて,人間に理解可能な説明を伴う基本アルゴリズムを充実させる。
  論文  参考訳（メタデータ） (2025-02-28T10:28:20Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Scalable iterative pruning of large language and vision models using block coordinate descent [0.31410859223862103]
  重みの一部を除去するプルーニングニューラルネットワークは、しばしば高い精度を維持しながら、少なくとも一定の限界まで、モデルの複雑さを著しく低減する。 本稿では,Y Combinatorial Brain Surgeonに基づくニューラルネットワークのプルーニング手法を提案するが,ネットワーク重みのサブセットに対する最適化問題を反復的,ブロック的に解決する。
  論文  参考訳（メタデータ） (2024-11-26T17:54:02Z)
• CHARME: A chain-based reinforcement learning approach for the minor embedding problem [16.24890195949869]
  本稿では,CHARME という名前の小さな埋め込み問題に対処するために,強化学習(RL)技術を利用した新しい手法を提案する。 CHARMEには、ポリシーモデリングのためのグラフニューラルネットワーク(GNN)アーキテクチャ、ソリューションの有効性を保証する状態遷移アルゴリズム、効果的なトレーニングのための順序探索戦略の3つの重要なコンポーネントが含まれている。 詳細では、CHARME は Minorminer や ATOM のような高速な埋め込み法に比べて優れた解が得られる。
  論文  参考訳（メタデータ） (2024-06-11T10:12:10Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Neural Influence Estimator: Towards Real-time Solutions to Influence Blocking Maximization [51.076527772176135]
  この研究は、数十万のノードとエッジを数秒でIBMの問題を解決する新しいアプローチを提示している。 鍵となるアイデアは、時間集約的なモンテカルロシミュレーションの代替として、NIE(Neural Influence estimator)オフラインと呼ばれる高速で評価可能な代理モデルを構築することである。 十分に訓練されたNIEは、ソーシャルネットワークに与えられた様々なIBM問題にまたがって一般化することができ、既存のIBM最適化アルゴリズムと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-08-27T06:16:40Z)
• Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization [37.339567743948955]
  本稿では,BOの限界に対処するための新しいベイズ最適化フレームワークを提案する。 我々の重要な貢献は、高度にスケーラブルでサンプルベースの取得機能であり、非支配的な目的のソートを実行する。 我々は,ベイズ型ニューラルネットワークサロゲートと組み合わせることで,最小限の反復数でデータ集約環境に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-01T19:10:57Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Discovering Representations for Black-box Optimization [73.59962178534361]
  ブラックボックス最適化符号化は手作業で行うのではなく,自動的に学習可能であることを示す。 学習された表現は、標準的なMAP-Elitesよりも桁違いに少ない評価で高次元の問題を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-03-09T20:06:20Z)

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。