論文の概要: Speeding Up Mixed-Integer Programming Solvers with Sparse Learning for Branching

• arxiv url: http://arxiv.org/abs/2604.00094v1
• Date: Tue, 31 Mar 2026 18:17:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.675671
• Title: Speeding Up Mixed-Integer Programming Solvers with Sparse Learning for Branching
• Title（参考訳）: 分岐学習による混合整数型プログラミング解の高速化
• Authors: Selin Bayramoğlu, George L Nemhauser, Nikolaos V Sahinidis,
• Abstract要約: 強い分岐(SB)スコアの近似に焦点をあてる。 我々は、最先端グラフニューラルネットワーク(GNN)のパラメータの4%未満のモデルを構築している。 SCIPの組み込みブランチルールとGNNベースのモデルとは対照的に、CPUのみのモデルはデフォルトのソルバやGPUアクセラレーションGNNよりも高速です。
• 参考スコア（独自算出の注目度）: 0.5352699766206809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is increasingly used to improve decisions within branch-and-bound algorithms for mixed-integer programming. Many existing approaches rely on deep learning, which often requires very large training datasets and substantial computational resources for both training and deployment, typically with GPU parallelization. In this work, we take a different path by developing interpretable models that are simple but effective. We focus on approximating strong branching (SB) scores, a highly effective yet computationally expensive branching rule. Using sparse learning methods, we build models with fewer than 4% of the parameters of a state-of-the-art graph neural network (GNN) while achieving competitive accuracy. Relative to SCIP's built-in branching rules and the GNN-based model, our CPU-only models are faster than the default solver and the GPU-accelerated GNN. The models are simple to train and deploy, and they remain effective with small training sets, which makes them practical in low-resource settings. Extensive experiments across diverse problem classes demonstrate the efficiency of this approach.
• Abstract（参考訳）: マシンラーニングは、混合整数プログラミングのための分岐とバウンドのアルゴリズム内の決定を改善するために、ますます使われています。 既存のアプローチの多くはディープラーニングに依存しており、トレーニングとデプロイメントの両方に非常に大規模なトレーニングデータセットと相当量の計算リソースを必要とすることが多い。 本研究は, 単純だが有効である解釈可能なモデルを開発することによって, 異なる道をたどる。 強い分岐(SB)スコアの近似に焦点をあてる。 スパース学習法を用いて、最先端グラフニューラルネットワーク(GNN)のパラメータの4%未満のモデルを構築し、競争精度を実現した。 SCIPの組み込みブランチルールとGNNベースのモデルとは対照的に、CPUのみのモデルはデフォルトのソルバやGPUアクセラレーションGNNよりも高速です。 モデルはトレーニングとデプロイが簡単で、小さなトレーニングセットでも有効であり、低リソース環境では実用的です。 様々な問題クラスにわたる大規模な実験は、このアプローチの効率を実証している。

関連論文リスト

• A Distributed Gaussian Process Model for Multi-Robot Mapping [34.711400073303174]
  DistGPは局所的な経験と計算のみを用いてグローバル関数の協調学習を行うマルチロボット学習手法である。 我々のループモデルは、Tree-Structured GPs citebui2014treeより優れており、オンラインおよび動的接続性のある設定でトレーニングすることができる。 最後に、分散ニューラルネットワーク(NN)オプティマイザであるDiNNO citeyu2022dinnoと比較し、DistGPがより優れた精度を実現し、通信を疎結合にし、継続的な学習をしやすくする。
  論文  参考訳（メタデータ） (2026-03-07T21:30:36Z)
• Decouple Graph Neural Networks: Train Multiple Simple GNNs Simultaneously Instead of One [60.5818387068983]
  グラフニューラルネットワーク(GNN)は、深刻な非効率性に悩まされている。 我々は,より効率的なトレーニングを行うために,多層GNNを複数の単純なモジュールとして分離することを提案する。 提案するフレームワークは,合理的な性能で高い効率性を示す。
  論文  参考訳（メタデータ） (2023-04-20T07:21:32Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Benchmarking Learning Efficiency in Deep Reservoir Computing [23.753943709362794]
  我々は、機械学習モデルがトレーニングデータからいかに早く学習するかを測定するために、データ効率の指標とともに、ますます困難なタスクのベンチマークを導入する。 我々は、RNN、LSTM、Transformersなどの確立された逐次教師付きモデルの学習速度を、貯水池計算に基づく比較的知られていない代替モデルと比較する。
  論文  参考訳（メタデータ） (2022-09-29T08:16:52Z)
• Efficient and Robust Mixed-Integer Optimization Methods for Training Binarized Deep Neural Networks [0.07614628596146598]
  二元活性化関数と連続または整数重み付きディープニューラルネットワーク(BDNN)について検討する。 BDNNは、古典的な混合整数計画解法により、大域的最適性に解けるような、有界な重み付き混合整数線形プログラムとして再構成可能であることを示す。 トレーニング中にBDNNの堅牢性を強制するロバストモデルが初めて提示される。
  論文  参考訳（メタデータ） (2021-10-21T18:02:58Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Training Deep Neural Networks with Constrained Learning Parameters [4.917317902787792]
  ディープラーニングタスクのかなりの部分はエッジコンピューティングシステムで実行される。 我々は, Combinatorial Neural Network Training Algorithm (CNNTrA)を提案する。 CoNNTrAは、MNIST、Iris、ImageNetデータセット上で、第三次学習パラメータでディープラーニングモデルをトレーニングする。 以上の結果から,CNNTrAモデルはメモリを32倍に削減し,バックプロパゲーションモデルと同程度の誤差を有することがわかった。
  論文  参考訳（メタデータ） (2020-09-01T16:20:11Z)

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。