論文の概要: A User Manual for cuHALLaR: A GPU Accelerated Low-Rank Semidefinite Programming Solver

• arxiv url: http://arxiv.org/abs/2508.15951v1
• Date: Thu, 21 Aug 2025 20:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.185341
• Title: A User Manual for cuHALLaR: A GPU Accelerated Low-Rank Semidefinite Programming Solver
• Title（参考訳）: cuHALLaRのためのユーザマニュアル:GPUによる低ランク半有限計画法
• Authors: Jacob Aguirre, Diego Cifuentes, Vincent Guigues, Renato D. C. Monteiro, Victor Hugo Nascimento, Arnesh Sujanani,
• Abstract要約: 大規模半定値プログラム(SDP)のためのプリコンパイルされたHALLaRとcuHALLaRのバイナリにJuliaベースのインタフェースを提案する。 両ソルバは高速かつ数値的に安定に設定され、SDPAと互換性のあるフォーマットで問題データを受け入れる。 行列補完のSDP緩和や最大安定セット問題など、一連の問題が含まれている。
• 参考スコア（独自算出の注目度）: 0.9236074230806578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a Julia-based interface to the precompiled HALLaR and cuHALLaR binaries for large-scale semidefinite programs (SDPs). Both solvers are established as fast and numerically stable, and accept problem data in formats compatible with SDPA and a new enhanced data format taking advantage of Hybrid Sparse Low-Rank (HSLR) structure. The interface allows users to load custom data files, configure solver options, and execute experiments directly from Julia. A collection of example problems is included, including the SDP relaxations of the Matrix Completion and Maximum Stable Set problems.
• Abstract（参考訳）: 本稿では,大規模半定値プログラム(SDP)のためのプリコンパイルされたHALLaRとcuHALLaRのバイナリにJuliaベースのインタフェースを提案する。 両ソルバは高速かつ数値的に安定に設定され、SDPAと互換性のあるフォーマットで問題データを受け取り、Hybrid Sparse Low-Rank (HSLR) 構造を利用した新たな拡張データフォーマットが提供される。 インターフェースにより、ユーザーはカスタムデータファイルのロード、ソルバオプションの設定、Juliaから直接実験を実行することができる。 行列補完のSDP緩和や最大安定セット問題など、一連の問題が含まれている。

関連論文リスト

• Efficient Multi-Instance Generation with Janus-Pro-Dirven Prompt Parsing [53.295515505026096]
  Janus-Pro-driven Prompt Parsingは、テキスト理解とレイアウト生成をブリッジするプロンプト解析モジュールである。 MIGLoRAはパラメータ効率の良いプラグインで、低ランク適応を UNet (SD1.5) と DiT (SD3) のバックボーンに統合する。 提案手法はパラメータ効率を維持しつつCOCOおよびLVISベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-03-27T00:59:14Z)
• LLMs for Cold-Start Cutting Plane Separator Configuration [19.931643536607737]
  混合整数線形プログラミングソルバは、専門家の最適化ユーザ以外のすべてのユーザの優先順位を選択するのが難しい、膨大な数のパラメータを伴って出荷される。 既存の機械学習アプローチでソルバを設定するには、数千の関連するMILPインスタンスを解決し、新しい問題サイズに最適化し、複雑なMLパイプラインとカスタムソルバインターフェースを実装する必要がある。 そこで本稿では, 対象MILP問題に使用する切削平面分離器を, インスタンスの特性に基づいて, ほとんど, あるいは全くトレーニングデータなしで構成する LLM ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T18:03:57Z)
• Suboptimality bounds for trace-bounded SDPs enable a faster and scalable low-rank SDP solver SDPLR+ [3.7507283158673212]
  半定プログラム(SDP)は、機械学習とデータサイエンスに多くの応用がある強力なツールである。 SDPソルバは、正の半定値決定変数がn×n$密度行列であるため、困難である。 20年前、Burer氏とMonteiro氏は、完全な行列の代わりに低ランクの分解を最適化したSDPソルバを開発した。
  論文  参考訳（メタデータ） (2024-06-14T20:31:22Z)
• Freya PAGE: First Optimal Time Complexity for Large-Scale Nonconvex Finite-Sum Optimization with Heterogeneous Asynchronous Computations [92.1840862558718]
  実用的な分散システムでは、労働者は概して均質ではなく、非常に多様な処理時間を持つ。 本稿では、任意に遅い計算を扱うための新しい並列手法Freyaを提案する。 Freyaは従来の手法と比較して,複雑性の保証が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2024-05-24T13:33:30Z)
• BosonSampling.jl: A Julia package for quantum multi-photon interferometry [0.0]
  本稿では,高速シミュレーションおよびボソンサンプリング器の数値解析のためのフリーオープンソースパッケージと,より一般的には多光子干渉法について述べる。 私たちのパッケージはJuliaで書かれており、簡単に表記できるCライクなパフォーマンスと高速でハイレベルなコーディングを実現しています。
  論文  参考訳（メタデータ） (2022-12-19T15:28:23Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• Square Root Bundle Adjustment for Large-Scale Reconstruction [56.44094187152862]
  QR分解によるランドマーク変数のnullspace marginalizationに依存するバンドル調整問題の新たな定式化を提案する。 平方根束調整と呼ばれる私たちのアプローチは、一般的に使用されるSchur補完トリックと代数的に等価です。 BALデータセットを用いた実世界での実験では、提案されたソルバが単一の精度でも平均的等しく正確なソリューションで達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-02T16:26:20Z)
• HeAT -- a Distributed and GPU-accelerated Tensor Framework for Data Analytics [0.0]
  HeATは、大規模並列処理のための配列ベースの数値プログラミングフレームワークで、簡単に使えるNumPyライクなAPIがある。 HeATはPyTorchをノードローカルな熱心な実行エンジンとして使用し、MPIを介して任意の規模の大規模高性能コンピューティングシステムにワークロードを分散する。 同様のフレームワークと比較すると、HeATは最大2桁のスピードアップを達成する。
  論文  参考訳（メタデータ） (2020-07-27T13:33:17Z)
• Picasso: A Sparse Learning Library for High Dimensional Data Analysis in R and Python [77.33905890197269]
  本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。 ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
  論文  参考訳（メタデータ） (2020-06-27T02:39:24Z)

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。