論文の概要: Self-Certifying Primal-Dual Optimization Proxies for Large-Scale Batch Economic Dispatch

• arxiv url: http://arxiv.org/abs/2510.15850v1
• Date: Fri, 17 Oct 2025 17:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.733087
• Title: Self-Certifying Primal-Dual Optimization Proxies for Large-Scale Batch Economic Dispatch
• Title（参考訳）: 大規模バッチ・エコノミクス・ディスパッチのための自己証明型プリマル・ダイアル最適化プロキシ
• Authors: Michael Klamkin, Mathieu Tanneau, Pascal Van Hentenryck,
• Abstract要約: 本稿では、双対性理論を利用して予測の最適性ギャップを効率的に束縛するハイブリッド解法を提案する。 大規模送信システムにおける実験により,ハイブリッド・ソルバは高いスケーラビリティを有することが示された。
• 参考スコア（独自算出の注目度）: 17.567232916378526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research has shown that optimization proxies can be trained to high fidelity, achieving average optimality gaps under 1% for large-scale problems. However, worst-case analyses show that there exist in-distribution queries that result in orders of magnitude higher optimality gap, making it difficult to trust the predictions in practice. This paper aims at striking a balance between classical solvers and optimization proxies in order to enable trustworthy deployments with interpretable speed-optimality tradeoffs based on a user-defined optimality threshold. To this end, the paper proposes a hybrid solver that leverages duality theory to efficiently bound the optimality gap of predictions, falling back to a classical solver for queries where optimality cannot be certified. To improve the achieved speedup of the hybrid solver, the paper proposes an alternative training procedure that combines the primal and dual proxy training. Experiments on large-scale transmission systems show that the hybrid solver is highly scalable. The proposed hybrid solver achieves speedups of over 1000x compared to a parallelized simplex-based solver while guaranteeing a maximum optimality gap of 2%.
• Abstract（参考訳）: 近年の研究では、最適化プロキシを高忠実度にトレーニングし、大規模な問題に対して1%以下の平均最適性ギャップを達成できることが示されている。 しかし、最悪のケースでは、最適性ギャップの桁数が桁違いに高くなるような非分配的なクエリが存在することが示され、実際の予測を信頼することは困難である。 本稿では,ユーザ定義の最適性しきい値に基づいて,解釈可能な速度最適性トレードオフによる信頼性の高いデプロイメントを実現するために,古典的解法と最適化プロキシのバランスをとることを目的とする。 そこで本論文では,二元性理論を利用して予測の最適性ギャップを効率的に拘束し,最適性を証明できないクエリに対する古典的解法にフォールバックするハイブリッド解法を提案する。 ハイブリット・ソルバの高速化のために,プライマリ・プロキシ・トレーニングとデュアル・プロキシ・トレーニングを組み合わせた代替トレーニング手法を提案する。 大規模送信システムにおける実験により,ハイブリッド・ソルバは高いスケーラビリティを有することが示された。 提案したハイブリッド解法は, 並列化単純解法と比較して1000倍以上の高速化を実現し, 最大最適解率差2%を保証した。

関連論文リスト

• Sobolev Training of End-to-End Optimization Proxies [14.076978703913605]
  本研究は,ソボレフ訓練パラダイムを用いて,問題解決者の感性から終末プロキシへの統合について検討する。 ソボレフのトレーニングでは、誤差を最大56%減らし、最悪のケースは最大400%減った。 ラベル付きソリューションを使わずにトレーニングされた平均分散ポートフォリオタスクに対して、自己監督型ソボレフトレーニングは、中リスク領域における平均最適性ギャップを半減する。
  論文  参考訳（メタデータ） (2025-05-16T15:10:01Z)
• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• Compact Optimality Verification for Optimization Proxies [15.761737742798157]
  近年、パラメトリック最適化問題の入出力マッピングを近似する機械学習モデルへの関心が高まっている。 本論文は,計算効率の優れた最適性検証のためのコンパクトな定式化を提案する。
  論文  参考訳（メタデータ） (2024-05-31T17:11:39Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Hybrid Decentralized Optimization: Leveraging Both First- and Zeroth-Order Optimizers for Faster Convergence [31.59453616577858]
  分散システムは、よりノイズの多いゼロオーダーエージェントに耐えられるが、最適化プロセスにおいてそのようなエージェントの恩恵を受けることができる。 本研究の結果は,共同最適化作業に貢献しながらも,凸および非零次最適化の目的を達成できる。
  論文  参考訳（メタデータ） (2022-10-14T10:54:11Z)
• Optimizer Amalgamation [124.33523126363728]
  私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか? まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。 また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
  論文  参考訳（メタデータ） (2022-03-12T16:07:57Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。