論文の概要: Dynamic Stratified Contrastive Learning with Upstream Augmentation for MILP Branching
- arxiv url: http://arxiv.org/abs/2511.21107v1
- Date: Wed, 26 Nov 2025 06:47:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-27 18:37:58.997636
- Title: Dynamic Stratified Contrastive Learning with Upstream Augmentation for MILP Branching
- Title（参考訳）: MILP分岐のためのアップストリーム拡張による動的階層型コントラスト学習
- Authors: Tongkai Lu, Shuai Ma, Chongyang Tao,
- Abstract要約: 分岐境界 (B&B) は混合線形プログラミング (MILP) を解く主要なアプローチである
我々は,UnderlinetextbfMILPブランチのためのUnderlinetextbfStratified UnderlinetextbfContrastive Training Frameworkを提案する。
特徴分布に基づいて分岐とバウンドのノードをグループ化し、GCNNベースの識別モデルをトレーニングして、ノードを段階的に分離する。
- 参考スコア（独自算出の注目度）: 28.92346104523666
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mixed Integer Linear Programming (MILP) is a fundamental class of NP-hard problems that has garnered significant attention from both academia and industry. The Branch-and-Bound (B\&B) method is the dominant approach for solving MILPs and the branching plays an important role in B\&B methods. Neural-based learning frameworks have recently been developed to enhance branching policies and the efficiency of solving MILPs. However, these methods still struggle with semantic variation across depths, the scarcity of upstream nodes, and the costly collection of strong branching samples. To address these issues, we propose \ours, a Dynamic \underline{\textbf{S}}tratified \underline{\textbf{C}}ontrastive Training Framework for \underline{\textbf{MILP}} Branching. It groups branch-and-bound nodes based on their feature distributions and trains a GCNN-based discriminative model to progressively separate nodes across groups, learning finer-grained node representations throughout the tree. To address data scarcity and imbalance at upstream nodes, we introduce an upstream-augmented MILP derivation procedure that generates both theoretically equivalent and perturbed instances. \ours~effectively models subtle semantic differences between nodes, significantly enhancing branching accuracy and solving efficiency, particularly for upstream nodes. Extensive experiments on standard MILP benchmarks demonstrate that our method enhances branching accuracy, reduces solving time, and generalizes effectively to unseen instances.
- Abstract（参考訳）: Mixed Integer Linear Programming (MILP) はNP-hard問題の基本クラスであり、学術と産業の両方から大きな注目を集めている。
ブランチ・アンド・バウンド法(ブランチ・アンド・バウンド法、B\&B法)はMILPを解く主要な手法であり、分岐法はB\&B法において重要な役割を果たす。
ニューラルネットワークベースの学習フレームワークは、最近、分岐ポリシーとMILPの解法効率を高めるために開発されている。
しかし、これらの手法は、深さのセマンティックな変化、上流ノードの不足、そして強力な分岐サンプルの高価な収集に苦慮している。
これらの問題に対処するため、我々は、 \underline{\textbf{MILP}} ブランチのための \ours, a Dynamic \underline{\textbf{S}}tratified \underline{\textbf{C}}ontrastive Training Framework を提案する。
特徴分布に基づいて分岐とバウンドのノードをグループ化し、GCNNベースの識別モデルをトレーニングし、グループ間でノードを段階的に分離し、ツリー全体にわたってよりきめ細かいノード表現を学習する。
上流ノードにおけるデータ不足と不均衡に対処するために、理論上等価および摂動インスタンスを生成するアップストリーム拡張MILP導出手法を導入する。
ノード間の微妙なセマンティックな差異を効果的にモデル化し、特に上流ノードの分岐精度と解決効率を大幅に向上させる。
標準MILPベンチマークの大規模な実験により,本手法は分岐精度を高め,解時間を削減するとともに,目に見えないインスタンスに効果的に一般化することを示した。
関連論文リスト
- Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。
NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。
我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
論文 参考訳（メタデータ） (2025-09-22T15:13:14Z) - Limits of message passing for node classification: How class-bottlenecks restrict signal-to-noise ratio [0.6117371161379209]
メッセージパッシングニューラルネットワーク(MPNN)はノード分類の強力なモデルであるが、グラフのヘテロフィリーおよび構造的ボトルネックの下でのパフォーマンス制限に悩まされている。
本稿では,MPNN表現の信号対雑音比(SNR)を用いて,ヘテロフィリとボトルネックの関係を明らかにする。
高次ホモフィリーを最大化するための最適グラフ構造は、単クラスおよび二クラス二部体の解離結合であることを示す。
これにより、全てのホモフィリーにおけるほぼ完璧な分類精度を達成するグラフアンサンブルに基づく再配線アルゴリズムBRIDGEが得られる。
論文 参考訳（メタデータ） (2025-08-25T09:25:14Z) - Neural Bridge Processes [21.702709965353804]
本稿では,入力xが拡散軌道全体の動的アンカーとして機能する関数をモデル化する手法を提案する。
合成データ,脳波信号レグレッション,画像レグレッションタスクにおいてNBPを検証し,ベースラインよりも大幅に改善した。
論文 参考訳（メタデータ） (2025-08-10T07:44:52Z) - 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) - Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。
本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。
我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
論文 参考訳（メタデータ） (2024-07-09T10:42:19Z) - FedDIP: Federated Learning with Extreme Dynamic Pruning and Incremental
Regularization [5.182014186927254]
大規模Deep Neural Networks(DNN)の分散トレーニングと推論にFL(Federated Learning)が成功している。
我々は、(i)動的プルーニングとエラーフィードバックを組み合わせて冗長な情報交換を排除する新しいFLフレームワーク(Coined FedDIP)にコントリビュートする。
我々は、FedDIPの収束解析と総合的な性能について報告し、最先端手法との比較評価を行う。
論文 参考訳（メタデータ） (2023-09-13T08:51:19Z) - Lookback for Learning to Branch [77.32867454769936]
Bipartite Graph Neural Networks (GNN) は、ディープラーニングに基づくMixed-Integer Linear Program (MILP) の重要コンポーネントであることが示されている。
近年の研究では、分岐とバウンド(B&B)の解法における分岐(可変選択)を置き換える上で、そのようなGNNの有効性が実証されている。
論文 参考訳（メタデータ） (2022-06-30T02:33:32Z) - Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。
これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z)
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。