論文の概要: Demonstrating Real Advantage of Machine-Learning-Enhanced Monte Carlo for Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2510.19544v1
• Date: Wed, 22 Oct 2025 12:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.766909
• Title: Demonstrating Real Advantage of Machine-Learning-Enhanced Monte Carlo for Combinatorial Optimization
• Title（参考訳）: 組合せ最適化のための機械学習強化モンテカルロの真のアドバンテージの実証
• Authors: Luca Maria Del Bono, Federico Ricci-Tersenghi, Francesco Zamponi,
• Abstract要約: 我々はGlobal Annealing Monte Carloアルゴリズムを用いて、標準的なローカルな動きと機械学習によるグローバルな動きを統合する。 最適性能を達成する上で,局所的な動きが重要な役割を担っていることを示す。 これらの結果は、機械学習による最適化手法が古典的最先端技術の能力を超えることができるという、最初の明確かつ堅牢な証拠を提供する。
• 参考スコア（独自算出の注目度）: 0.38233569758620045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combinatorial optimization problems are central to both practical applications and the development of optimization methods. While classical and quantum algorithms have been refined over decades, machine learning-assisted approaches are comparatively recent and have not yet consistently outperformed simple, state-of-the-art classical methods. Here, we focus on a class of Quadratic Unconstrained Binary Optimization (QUBO) problems, specifically the challenge of finding minimum energy configurations in three-dimensional Ising spin glasses. We use a Global Annealing Monte Carlo algorithm that integrates standard local moves with global moves proposed via machine learning. We show that local moves play a crucial role in achieving optimal performance. Benchmarking against Simulated Annealing and Population Annealing, we demonstrate that Global Annealing not only surpasses the performance of Simulated Annealing but also exhibits greater robustness than Population Annealing, maintaining effectiveness across problem hardness and system size without hyperparameter tuning. These results provide, to our knowledge, the first clear and robust evidence that a machine learning-assisted optimization method can exceed the capabilities of classical state-of-the-art techniques in a combinatorial optimization setting.
• Abstract（参考訳）: 組合せ最適化問題は、実用的応用と最適化手法の開発の両方において重要である。 古典的および量子的アルゴリズムは何十年にもわたって洗練されてきたが、機械学習支援アプローチは比較的最近であり、単純で最先端の古典的手法を一貫して上回っているわけではない。 ここでは,3次元イジングスピングラスにおける最小エネルギー構成を見つけることの課題として,擬似非拘束バイナリ最適化(QUBO)問題に焦点をあてる。 我々はGlobal Annealing Monte Carloアルゴリズムを用いて、標準的なローカルな動きと機械学習によるグローバルな動きを統合する。 最適性能を達成する上で,局所的な動きが重要な役割を担っていることを示す。 シミュレーションアニーリングと人口アニーリングに対するベンチマークでは、グローバルアニーリングはシミュレーションアニーリングの性能を上回るだけでなく、人口アニーリングよりも頑健であり、問題硬度やシステムサイズを超パラメータチューニングなしで効率よく維持できることを示した。 これらの結果は、我々の知る限り、機械学習支援最適化手法が、組合せ最適化設定における古典的最先端技術の能力を上回ることができるという、最初の明確かつ堅牢な証拠を提供する。

関連論文リスト

• L-SR1: Learned Symmetric-Rank-One Preconditioning [5.421390145168128]
  エンドツーエンドのディープラーニングは目覚ましい結果を得たが、大きなラベル付きデータセットに依存しているため、依然として制限されている。 対照的に、古典最適化法はデータ効率が高く軽量であるが、しばしば収束が遅い。 そこで本研究では,古典的シンメトリー・ランクワンアルゴリズムを強化するために,トレーニング可能なプレコンディショニングユニットを導入した新しい2次ベクトルを提案する。
  論文  参考訳（メタデータ） (2025-08-17T07:37:29Z)
• LLM as a Complementary Optimizer to Gradient Descent: A Case Study in Prompt Tuning [69.95292905263393]
  グラデーションベースとハイレベルなLLMは、協調最適化フレームワークを効果的に組み合わせることができることを示す。 本稿では,これらを相互に補完し,組み合わせた最適化フレームワークを効果的に連携させることができることを示す。
  論文  参考訳（メタデータ） (2024-05-30T06:24:14Z)
• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• 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)
• 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)
• Quantum approximate optimization via learning-based adaptive optimization [5.399532145408153]
  量子近似最適化アルゴリズム(QAOA)は、目的最適化問題の解法として設計されている。 その結果,アルゴリズムは速度,精度,効率,安定性の点で従来の近似よりも大幅に優れていた。 この研究はQAOAの全パワーを解き放つのに役立ち、実践的な古典的なタスクにおいて量子的優位性を達成するための道を開く。
  論文  参考訳（メタデータ） (2023-03-27T02:14:56Z)
• Application of Monte Carlo Stochastic Optimization (MOST) to Deep Learning [0.0]
  本稿では,著者らが提案したモンテカルロ最適化(MOST)をXORゲートの深層学習に適用する。 その結果,既存の方法よりも早く収束することが確認された。
  論文  参考訳（メタデータ） (2021-09-02T05:52:26Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)

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。