論文の概要: UniHetCO: A Unified Heterogeneous Representation for Multi-Problem Learning in Unsupervised Neural Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2603.11456v1
• Date: Thu, 12 Mar 2026 02:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.820677
• Title: UniHetCO: A Unified Heterogeneous Representation for Multi-Problem Learning in Unsupervised Neural Combinatorial Optimization
• Title（参考訳）: UniHetCO: 教師なしニューラルネットワーク最適化におけるマルチプロブレム学習のための統一的不均一表現
• Authors: Kien X. Nguyen, Ilya Safro,
• Abstract要約: 教師なしニューラルネットワーク最適化(NCO)は、教師付きアプローチに代わる魅力的な代替手段を提供する。 既存の教師なしのメソッドは通常、単一の問題クラスに特化している。 UniHetCOは単一入力における問題構造、目的語、線形制約を符号化する。 複数のデータセットと4つの制約付き問題クラスの実験は、競争性能を示している。
• 参考スコア（独自算出の注目度）: 4.194554268792374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised neural combinatorial optimization (NCO) offers an appealing alternative to supervised approaches by training learning-based solvers without ground-truth solutions, directly minimizing instance objectives and constraint violations. Yet for graph node subset-selection problems (e.g., Maximum Clique and Maximum Independent Set), existing unsupervised methods are typically specialized to a single problem class and rely on problem-specific surrogate losses, which hinders learning across classes within a unified framework. In this work, we propose UniHetCO, a unified heterogeneous graph representation for constrained quadratic programming-based combinatorial optimization that encodes problem structure, objective terms, and linear constraints in a single input. This formulation enables training a single model across multiple problem classes with a unified label-free objective. To improve stability under multi-problem learning, we employ a gradient-norm-based dynamic weighting scheme that alleviates gradient imbalance among classes. Experiments on multiple datasets and four constrained problem classes demonstrate competitive performance with state-of-the-art unsupervised NCO baselines, strong cross-problem adaptation potential, and effective warm starts for a commercial classical solver under tight time limits.
• Abstract（参考訳）: 教師なしニューラルネットワーク最適化(NCO)は、学習ベースの解法を地道な解法なしで訓練し、インスタンスの目的と制約違反を直接最小化することで、教師付きアプローチの魅力的な代替手段を提供する。 しかし、グラフノードのサブセット選択問題(例えば、最大傾きと最大独立集合)では、既存の教師なしメソッドは単一の問題クラスに特化しており、問題固有のサロゲート損失に依存しており、統一されたフレームワーク内のクラス間の学習を妨げる。 本研究では,制約付き2次プログラミングに基づく組合せ最適化のための統一的不均一グラフ表現UniHetCOを提案する。 この定式化により、ラベルフリーの目的を統一した複数の問題クラスで単一のモデルをトレーニングできる。 マルチプロブレム学習下での安定性向上のために,クラス間の勾配不均衡を軽減する勾配ノルムに基づく動的重み付け方式を用いる。 複数のデータセットと4つの制約付き問題クラスの実験は、最先端の教師なしNCOベースライン、強力なクロスプロブレム適応ポテンシャル、そして、厳密な時間制限下での商用古典的解法に対する効果的なウォームスタートとの競合性能を示す。

関連論文リスト

• Neural Predictor-Corrector: Solving Homotopy Problems with Reinforcement Learning [38.623998031868595]
  Homotopyのパラダイムは、ロバストな最適化、グローバルな最適化、ルートフィニング、サンプリングなど、さまざまな領域にまたがっている。 我々は手作りのNPCを自動学習ポリシーで置き換えるニューラル予測器(NPC)を提案する。 NPCは、タスク間で優れた安定性を示しながら、古典的および特殊的ベースラインの効率を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-03T04:19:48Z)
• Geometric Algorithms for Neural Combinatorial Optimization with Constraints [46.17172939797694]
  Self-Supervised Learning for Combinatorial Optimization (CO)は、ニューラルネットワークを使って問題を解決するための新しいパラダイムである。 ニューラルネットワークによる離散的な制約付き最適化問題の解決を可能にする、エンドツーエンドの微分可能なフレームワークを設計する。
  論文  参考訳（メタデータ） (2025-10-28T03:49:01Z)
• Heterogeneous Self-Supervised Acoustic Pre-Training with Local Constraints [64.15709757611369]
  異種データを扱うための自己教師付き事前学習手法を提案する。 提案手法は、下流の教師付き微調整タスクに対する自己教師付き事前訓練モデルの適応性を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2025-08-27T15:48:50Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Differentiable Quadratic Optimization For The Maximum Independent Set Problem [23.643727259409744]
  pCQO-MISはグラフ内の数ノードでのみスケールし、数値エッジではないことを示す。 実験により,提案手法の有効性を,精度,サンプリング,データ中心アプローチと比較した。
  論文  参考訳（メタデータ） (2024-06-27T21:12:48Z)
• 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)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
  本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。 このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2021-06-09T09:18:18Z)
• Reversible Action Design for Combinatorial Optimization with Reinforcement Learning [35.50454156611722]
  強化学習(rl)は、これらの問題に取り組むための新しいフレームワークとして最近登場した。 最先端の実証性能を示すだけでなく、様々な種類のCOPに一般化する汎用RLフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-02-14T18:05:42Z)

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。