論文の概要: ID-PaS : Identity-Aware Predict-and-Search for General Mixed-Integer Linear Programs

• arxiv url: http://arxiv.org/abs/2512.10211v1
• Date: Thu, 11 Dec 2025 01:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.15276
• Title: ID-PaS : Identity-Aware Predict-and-Search for General Mixed-Integer Linear Programs
• Title（参考訳）: ID-PaS : 一般混合整数線形プログラムの同一性を考慮した予測と探索
• Authors: Junyang Cai, El Mehdi Er Raqabi, Pascal Van Hentenryck, Bistra Dilkina,
• Abstract要約: この作業は、予測と検索(PaS)フレームワークをパラメトリックMIPに拡張する。 IDを意識した学習フレームワークであるID-PaSを導入することで、MLモデルは異種変数をより効果的に扱えるようになる。
• 参考スコア（独自算出の注目度）: 21.379306770292136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mixed-Integer Linear Programs (MIPs) are powerful and flexible tools for modeling a wide range of real-world combinatorial optimization problems. Predict-and-Search methods operate by using a predictive model to estimate promising variable assignments and then guiding a search procedure toward high-quality solutions. Recent research has demonstrated that incorporating machine learning (ML) into the Predict-and-Search framework significantly enhances its performance. Still, it is restricted to binary problems and overlooks the presence of fixed variables that commonly arise in practical settings. This work extends the Predict-and-Search (PaS) framework to parametric MIPs and introduces ID-PaS, an identity-aware learning framework that enables the ML model to handle heterogeneous variables more effectively. Experiments on several real-world large-scale problems demonstrate that ID-PaS consistently achieves superior performance compared to the state-of-the-art solver Gurobi and PaS.
• Abstract（参考訳）: Mixed-Integer Linear Programs (MIP) は、様々な実世界の組合せ最適化問題をモデル化するための強力で柔軟なツールである。 予測・探索法は予測モデルを用いて予測可能な変数の割り当てを推定し,高品質な解に対する探索手順を導出する。 近年、機械学習(ML)をPredict-and-Searchフレームワークに組み込むことで、その性能が大幅に向上することが実証されている。 それでもバイナリの問題に制限されており、現実的な設定で一般的に発生する固定変数の存在を見落としている。 この作業はPredict-and-Search(PaS)フレームワークをパラメトリックなMIPに拡張し、異種変数をより効率的に処理できるID対応学習フレームワークであるID-PaSを導入している。 いくつかの実世界の大規模問題に対する実験により、ID-PaSは最先端の解法であるGurobiやPaSに比べて一貫して優れた性能を発揮することが示された。

関連論文リスト

• Multi-task Representation Learning for Mixed Integer Linear Programming [13.106799330951842]
  本稿では,ML誘導MILP問題解決のためのマルチタスク学習フレームワークについて紹介する。 我々は,マルチタスク学習モデルが同一分布内の特殊モデルと類似して動作することを示す。 これは、問題のサイズやタスクの一般化において、それらを著しく上回る。
  論文  参考訳（メタデータ） (2024-12-18T23:33:32Z)
• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Pathfinding [76.67608003501479]
  POGEMAは、学習のための高速環境、問題インスタンスジェネレータ、可視化ツールキットを含む、総合的なツールセットである。 また、プライマリ評価指標に基づいて計算されるドメイン関連メトリクスの範囲を規定する評価プロトコルを導入し、定義する。 この比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含む。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Data-driven Mixed Integer Optimization through Probabilistic Multi-variable Branching [8.03915440701838]
  オンライン混合整数プログラム(MIP)をオフラインデータセットと機械学習モデルで高速化する事前学習混合最適化フレームワーク(PreMIO)を提案する。 本手法は, 濃度不等式から選択した超平面を用いて, 実現可能な領域を分割するデータ駆動型多変量基数分岐法に基づく。
  論文  参考訳（メタデータ） (2023-05-21T05:11:30Z)
• A General Framework for Sample-Efficient Function Approximation in Reinforcement Learning [132.45959478064736]
  モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。 最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。 本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-30T17:59:16Z)
• StackGenVis: Alignment of Data, Algorithms, and Models for Stacking Ensemble Learning Using Performance Metrics [4.237343083490243]
  機械学習(ML)では、バッグング、ブースティング、スタックングといったアンサンブル手法が広く確立されている。 StackGenVisは、スタック化された一般化のためのビジュアル分析システムである。
  論文  参考訳（メタデータ） (2020-05-04T15:43:55Z)

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。