論文の概要: HGCN2SP: Hierarchical Graph Convolutional Network for Two-Stage Stochastic Programming

• arxiv url: http://arxiv.org/abs/2511.16027v1
• Date: Thu, 20 Nov 2025 04:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.46285
• Title: HGCN2SP: Hierarchical Graph Convolutional Network for Two-Stage Stochastic Programming
• Title（参考訳）: HGCN2SP: 2段階確率計画のための階層型グラフ畳み込みネットワーク
• Authors: Yang Wu, Yifan Zhang, Zhenxing Liang, Jian Cheng,
• Abstract要約: HGCN2SPは、2SP問題用に設計された階層グラフを持つ新しいモデルである。 モデルは強化学習パラダイムで訓練され、解法のフィードバックを利用する。 HGCN2SPは大規模インスタンスを扱う際に顕著な一般化能力を示す。
• 参考スコア（独自算出の注目度）: 24.713923009417694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-stage Stochastic Programming (2SP) is a standard framework for modeling decision-making problems under uncertainty. While numerous methods exist, solving such problems with many scenarios remains challenging. Selecting representative scenarios is a practical method for accelerating solutions. However, current approaches typically rely on clustering or Monte Carlo sampling, failing to integrate scenario information deeply and overlooking the significant impact of the scenario order on solving time. To address these issues, we develop HGCN2SP, a novel model with a hierarchical graph designed for 2SP problems, encoding each scenario and modeling their relationships hierarchically. The model is trained in a reinforcement learning paradigm to utilize the feedback of the solver. The policy network is equipped with a hierarchical graph convolutional network for feature encoding and an attention-based decoder for scenario selection in proper order. Evaluation of two classic 2SP problems demonstrates that HGCN2SP provides high-quality decisions in a short computational time. Furthermore, HGCN2SP exhibits remarkable generalization capabilities in handling large-scale instances, even with a substantial number of variables or scenarios that were unseen during the training phase.
• Abstract（参考訳）: 2段階確率プログラミング(2SP)は不確実性の下で意思決定問題をモデル化するための標準フレームワークである。 多くの方法が存在するが、このような問題を多くのシナリオで解決することは依然として困難である。 代表的なシナリオを選択することは、ソリューションを加速するための実践的な方法である。 しかし、現在のアプローチは一般的にクラスタリングやモンテカルロサンプリングに依存しており、シナリオ情報を深く統合することができず、シナリオ順序が解決時間に与える影響を見落としている。 これらの問題に対処するために,HGCN2SPを開発した。HGCN2SPは2SP問題用に設計された階層グラフを持つ新しいモデルで,各シナリオを符号化し,階層的に関係をモデル化する。 モデルは強化学習パラダイムで訓練され、解法のフィードバックを利用する。 ポリシーネットワークは、特徴符号化のための階層的なグラフ畳み込みネットワークと、適切な順序でシナリオ選択のための注目ベースのデコーダとを備えている。 2つの古典的2SP問題の評価は、HGCN2SPが短い計算時間で高品質な決定を提供することを示す。 さらに、HGCN2SPは、トレーニングフェーズ中に見つからなかったかなりの数の変数やシナリオであっても、大規模インスタンスを扱う際に顕著な一般化能力を示す。

関連論文リスト

• Contextual Scenario Generation for Two-Stage Stochastic Programming [0.2812395851874055]
  2段階プログラム(2SP)は不確実性の下で決定を行うための重要なツールである。 現在のシナリオ生成アプローチでは、文脈情報を利用していないか、あるいは計算上の問題に対処していない。 本稿では,予測された代理シナリオと真の文脈分布との分布距離を最小化することにより,マッピングを学習する分布的アプローチを提案する。 第2に,高品質な意思決定をもたらすサロゲートシナリオの創出を目的としたタスクベースアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-07T21:42:50Z)
• 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)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• Graph Reinforcement Learning for Network Control via Bi-Level Optimization [37.00510744883984]
  我々は、データ駆動戦略がこのプロセスを自動化し、最適性を損なうことなく効率的なアルゴリズムを学習できると主張している。 我々は、強化学習のレンズを通してネットワーク制御の問題を提示し、幅広い問題に対処するグラフネットワーク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） (2023-05-16T03:20:22Z)
• Neur2SP: Neural Two-Stage Stochastic Programming [3.5417030119735045]
  我々はニューラルネットワークを介して期待値関数を近似する新しい方法Neur2SPを開発した。 Neur2SPはすべての問題に対して1.66秒未満で、シナリオの数が増えても高品質なソリューションを実現する。
  論文  参考訳（メタデータ） (2022-05-20T22:09:22Z)
• On the Difficulty of Generalizing Reinforcement Learning Framework for Combinatorial Optimization [6.935838847004389]
  現実の応用とグラフ上の組合せ最適化問題(COP)は、コンピュータサイエンスにおける標準的な課題である。 このアプローチの基本原理は、ノードのローカル情報とグラフ構造化データの両方を符号化するグラフニューラルネットワーク(GNN)をデプロイすることである。 我々は,クラウド上のセキュリティ対応電話機のクローン割り当てを古典的二次代入問題 (QAP) として,深層RLモデルが他の難題の解法に一般的に適用可能であるか否かを調査する。
  論文  参考訳（メタデータ） (2021-08-08T19:12:04Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Multi-level Graph Convolutional Networks for Cross-platform Anchor Link Prediction [47.047999403900775]
  クロスプラットフォームのアカウントマッチングは、ソーシャルネットワークの分析において重要な役割を果たす。 本稿では,ローカルネットワーク構造とハイパーグラフ構造の両方において,マルチレベルグラフの畳み込みを考慮した新しいフレームワークを提案する。 提案手法は,既存の作業におけるデータ不足を克服し,必ずしもユーザ人口統計情報に依存しない。
  論文  参考訳（メタデータ） (2020-06-02T22:01:27Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。