論文の概要: CoCo-MILP: Inter-Variable Contrastive and Intra-Constraint Competitive MILP Solution Prediction

• arxiv url: http://arxiv.org/abs/2511.09209v1
• Date: Thu, 13 Nov 2025 01:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.46424
• Title: CoCo-MILP: Inter-Variable Contrastive and Intra-Constraint Competitive MILP Solution Prediction
• Title（参考訳）: CoCo-MILP: 可変コントラストと制約内競合MILPソリューション予測
• Authors: Tianle Pu, Jianing Li, Yingying Gao, Shixuan Liu, Zijie Geng, Haoyang Liu, Chao Chen, Changjun Fan,
• Abstract要約: Mixed-Integer Linear Programming (MILP) は最適化の基礎となっている。 既存の手法はMILP問題の本質的な構造と相違する。 可変コントラストと制約内競合を明示的にモデル化したCoCo-MILPを提案する。
• 参考スコア（独自算出の注目度）: 25.093722867269435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mixed-Integer Linear Programming (MILP) is a cornerstone of combinatorial optimization, yet solving large-scale instances remains a significant computational challenge. Recently, Graph Neural Networks (GNNs) have shown promise in accelerating MILP solvers by predicting high-quality solutions. However, we identify that existing methods misalign with the intrinsic structure of MILP problems at two levels. At the leaning objective level, the Binary Cross-Entropy (BCE) loss treats variables independently, neglecting their relative priority and yielding plausible logits. At the model architecture level, standard GNN message passing inherently smooths the representations across variables, missing the natural competitive relationships within constraints. To address these challenges, we propose CoCo-MILP, which explicitly models inter-variable Contrast and intra-constraint Competition for advanced MILP solution prediction. At the objective level, CoCo-MILP introduces the Inter-Variable Contrastive Loss (VCL), which explicitly maximizes the embedding margin between variables assigned one versus zero. At the architectural level, we design an Intra-Constraint Competitive GNN layer that, instead of homogenizing features, learns to differentiate representations of competing variables within a constraint, capturing their exclusionary nature. Experimental results on standard benchmarks demonstrate that CoCo-MILP significantly outperforms existing learning-based approaches, reducing the solution gap by up to 68.12% compared to traditional solvers. Our code is available at https://github.com/happypu326/CoCo-MILP.
• Abstract（参考訳）: Mixed-Integer Linear Programming (MILP) は組合せ最適化の基盤となっているが、大規模インスタンスの解決は依然として重要な計算課題である。 最近、グラフニューラルネットワーク(GNN)は、高品質なソリューションを予測することで、MILPソルバの高速化を約束している。 しかし,既存の手法はMILP問題の本質的構造と2段階の相違があることが判明した。 傾いた目的レベルでは、バイナリ・クロス・エントロピー(BCE)損失は変数を独立に扱い、相対的な優先度を無視し、妥当なロジットをもたらす。 モデルアーキテクチャレベルでは、標準のGNNメッセージパッシングは本質的に変数間の表現を滑らかにし、制約内での自然な競合関係を欠いている。 これらの課題に対処するため,先進的なMILPソリューション予測のための可変コントラストと制約内競合を明示的にモデル化したCoCo-MILPを提案する。 目的レベルでは、CoCo-MILPは変数間競合損失 (Inter-Variable Contrastive Loss, VCL) を導入する。 アーキテクチャレベルでは、制約内競合GNN層を設計し、特徴を均質化する代わりに、制約内で競合する変数の表現を区別し、その排他的性質を捉えることを学習する。 標準ベンチマークの実験結果は、CoCo-MILPが既存の学習ベースのアプローチを著しく上回り、従来の解法と比較して解のギャップを最大68.12%減らすことを示した。 私たちのコードはhttps://github.com/happypu326/CoCo-MILPで利用可能です。

関連論文リスト

• Edge Collaborative Gaussian Splatting with Integrated Rendering and Communication [69.23838350582764]
  エッジ協調(ECO-GS)では,各ユーザが小さなGSモデルに切り替えて忠実さを保証し,遠隔大GSモデルで忠実さを保証できる。 低コストのレンダリングステータスとエッジパワー割り当てを協調的に最適化する統合通信(IRAC)を提案する。
  論文  参考訳（メタデータ） (2025-10-26T15:33:29Z)
• Constraint Matters: Multi-Modal Representation for Reducing Mixed-Integer Linear programming [30.037594153262273]
  本稿では,MILPのための制約に基づく新しいモデル縮小手法を提案する。 提案手法は, 解法の品質を50%以上改善し, 時間を17.47%短縮することを示した。
  論文  参考訳（メタデータ） (2025-08-26T07:15:38Z)
• FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming [52.52020895303244]
  Mixed-Integer Linear Programming (MILP)は、複雑な意思決定問題の基本的なツールである。 混合整数線形計画法(FMIP)のための連立連続整数フローを提案する。これはMILPソリューションにおける整数変数と連続変数の共分散をモデル化する最初の生成フレームワークである。 FMIPは任意のバックボーンネットワークや様々なダウンストリームソルバと完全に互換性があり、現実世界のMILPアプリケーションにも適している。
  論文  参考訳（メタデータ） (2025-07-31T10:03:30Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• RL-SPH: Learning to Achieve Feasible Solutions for Integer Linear Programs [3.3894236476098185]
  RL-SPHは、非二項整数を含むILPに対しても独立に実現可能な解を生成することができる新しい強化学習ベーススタートプライマーである。 実験により、RL-SPHは、既存の原始よりも平均44倍低い原始ギャップと2.3倍低い積分を達成し、高品質な実現可能な解を迅速に得ることが示された。
  論文  参考訳（メタデータ） (2024-11-29T07:23:34Z)
• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• MIP-GNN: A Data-Driven Framework for Guiding Combinatorial Solvers [13.790116387956703]
  混合整数プログラミング(MIP)技術は最適化問題の定式化と解法を提供する。 MIP-GNNは、データ駆動の洞察でそのような問題を解決するための一般的なフレームワークである。 MIP-GNNを最先端のMIP解決器に統合し,ノード選択やウォームスタートといったタスクに適用する。
  論文  参考訳（メタデータ） (2022-05-27T19:34:14Z)

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。