論文の概要: Bundle Network: a Machine Learning-Based Bundle Method

• arxiv url: http://arxiv.org/abs/2509.24736v1
• Date: Mon, 29 Sep 2025 12:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.992818
• Title: Bundle Network: a Machine Learning-Based Bundle Method
• Title（参考訳）: Bundle Network: 機械学習に基づくバンドル手法
• Authors: Francesca Demelas, Joseph Le Roux, Antonio Frangioni, Mathieu Lacroix, Emiliano Traversi, Roberto Wolfler Calvo,
• Abstract要約: 本稿では,非滑らかな問題に対して,Bundle Methodに着想を得た学習ベースアルゴリズムである Bundle Network を提案する。 アンロールされた計算グラフを活用することで、Bundle Networkは自動微分によってエンドツーエンドでトレーニングすることができます。
• 参考スコア（独自算出の注目度）: 5.611428210450043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Bundle Network, a learning-based algorithm inspired by the Bundle Method for convex non-smooth minimization problems. Unlike classical approaches that rely on heuristic tuning of a regularization parameter, our method automatically learns to adjust it from data. Furthermore, we replace the iterative resolution of the optimization problem that provides the search direction-traditionally computed as a convex combination of gradients at visited points-with a recurrent neural model equipped with an attention mechanism. By leveraging the unrolled graph of computation, our Bundle Network can be trained end-to-end via automatic differentiation. Experiments on Lagrangian dual relaxations of the Multi-Commodity Network Design and Generalized Assignment problems demonstrate that our approach consistently outperforms traditional methods relying on grid search for parameter tuning, while generalizing effectively across datasets.
• Abstract（参考訳）: 本稿では,非滑らかな最小化問題に対して,Bundle Methodにインスパイアされた学習ベースアルゴリズムであるBundle Networkを提案する。 正規化パラメータのヒューリスティックなチューニングに依存する古典的手法とは異なり,本手法はデータからの調整を自動的に学習する。 さらに,入場点の勾配の凸結合として従来計算されていた探索方向を求める最適化問題の反復解を,注意機構を備えた繰り返しニューラルモデルに置き換える。 アンロールされた計算グラフを活用することで、Bundle Networkは自動微分によってエンドツーエンドでトレーニングすることができます。 マルチコモディティネットワーク設計と一般化アサインメント問題に対するラグランジアン二重緩和の実験により、我々の手法は、パラメータチューニングのためのグリッド探索に頼って、データセットを効果的に一般化しながら、従来手法よりも一貫して優れていることが示された。

関連論文リスト

• Quantum Annealing for Minimum Bisection Problem: A Machine Learning-based Approach for Penalty Parameter Tuning [0.39325957466009204]
  ペナルティパラメータの適応的チューニングのための機械学習に基づく新しいアプローチを提案する。 我々は、最大4,000ノードのランダムに生成されたErdHos-R'enyiグラフの大規模なデータセット上で、我々のアプローチをテストする。
  論文  参考訳（メタデータ） (2025-09-23T13:49:18Z)
• Neural Control Variates with Automatic Integration [49.91408797261987]
  本稿では,任意のニューラルネットワークアーキテクチャから学習可能なパラメトリック制御関数を構築するための新しい手法を提案する。 我々はこのネットワークを用いて積分器の反微分を近似する。 我々はウォーク・オン・スフィア・アルゴリズムを用いて偏微分方程式を解くために本手法を適用した。
  論文  参考訳（メタデータ） (2024-09-23T06:04:28Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• A Game of Bundle Adjustment -- Learning Efficient Convergence [11.19540223578237]
  バンドル調整の収束に達するのに必要なイテレーションの数を減らす方法を示す。 この削減は古典的なアプローチの恩恵を受けており、他のバンドル調整加速度法と統合可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-25T09:44:45Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• An Inexact Augmented Lagrangian Algorithm for Training Leaky ReLU Neural Network with Group Sparsity [13.27709100571336]
  近年,グループ正規化期間を持つリーク型ReLUネットワークが広く利用されている。 定常点を決定論的に計算する手法が存在しないことを示す。 本稿では,新しいモデルを解くための不正確な拡張ラグランジアンアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-11T11:53:15Z)
• SCORE: Approximating Curvature Information under Self-Concordant Regularization [0.0]
  本稿では,新たな入力を受信するたびに最小化速度を更新する自己調和正規化アルゴリズム(GGN-SCORE)を提案する。 提案アルゴリズムはヘッセン行列の2階情報構造を利用して計算オーバーヘッドを削減する。
  論文  参考訳（メタデータ） (2021-12-14T13:03:04Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。