論文の概要: Improving Feasibility via Fast Autoencoder-Based Projections

• arxiv url: http://arxiv.org/abs/2604.03489v1
• Date: Fri, 03 Apr 2026 22:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.604409
• Title: Improving Feasibility via Fast Autoencoder-Based Projections
• Title（参考訳）: 高速オートエンコーダベース投影による実現可能性の向上
• Authors: Maria Chzhen, Priya L. Donti,
• Abstract要約: 既存の手法は、一般的な制約を効果的に強制するのに苦労する。 本稿では,オブジェクトオートエンコーダを近似プロジェクタとして用いるデータ駆動型アモータイズ手法を提案する。
• 参考スコア（独自算出の注目度）: 1.7370580277522711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enforcing complex (e.g., nonconvex) operational constraints is a critical challenge in real-world learning and control systems. However, existing methods struggle to efficiently enforce general classes of constraints. To address this, we propose a novel data-driven amortized approach that uses a trained autoencoder as an approximate projector to provide fast corrections to infeasible predictions. Specifically, we train an autoencoder using an adversarial objective to learn a structured, convex latent representation of the feasible set. This enables rapid correction of neural network outputs by projecting their associated latent representations onto a simple convex shape before decoding into the original feasible set. We test our approach on a diverse suite of constrained optimization and reinforcement learning problems with challenging nonconvex constraints. Results show that our method effectively enforces constraints at a low computational cost, offering a practical alternative to expensive feasibility correction techniques based on traditional solvers.
• Abstract（参考訳）: 複雑な(例えば、非凸的な)運用上の制約を強制することは、現実世界の学習と制御システムにおいて重要な課題である。 しかし、既存の手法は制約の一般的なクラスを効率的に強制するのに苦労している。 そこで本研究では,訓練されたオートエンコーダを近似したプロジェクタとして利用して,データ駆動型アモータイズ手法を提案する。 具体的には、対向目的を用いてオートエンコーダを訓練し、実現可能な集合の構造的で凸な潜在表現を学習する。 これにより、関連する潜在表現を単純な凸形に投影してニューラルネットワーク出力を高速に補正し、元の実現可能な集合に復号することが可能になる。 提案手法は,非凸制約に挑戦する制約付き最適化と強化学習問題を多種多様なスイートで検証する。 その結果,提案手法は計算コストの低い制約を効果的に適用し,従来の解法に基づく高価な実現可能性補正手法に代わる実用的な代替手段を提供することがわかった。

関連論文リスト

• Cheap Thrills: Effective Amortized Optimization Using Inexpensive Labels [20.00525916892172]
  我々は,「チープ不完全なラベル」を提案し,事前学習を行い,自己教師あり学習を通じてモデルを洗練し,全体的な性能を改善する。 我々の理論的分析と経験的基準は、ラベル付きデータのみをアトラクションの流域に配置する必要があることを示している。 より高速な収束,精度の向上,高品質な最適化,全オフラインコストの最大59倍の削減を実現した。
  論文  参考訳（メタデータ） (2026-03-05T18:58:39Z)
• Towards Efficient Constraint Handling in Neural Solvers for Routing Problems [53.35866378109893]
  ニューラル・ルーティング・ソルバのための汎用的で効率的な制約処理フレームワークであるConstruct-and-Refineを提案する。 CaRは古典的およびニューラル・オブ・ザ・テク的解法と比較して、実現可能性、ソリューション品質、効率性が優れている。
  論文  参考訳（メタデータ） (2026-02-17T21:06:23Z)
• Single-loop Algorithms for Stochastic Non-convex Optimization with Weakly-Convex Constraints [49.76332265680669]
  本稿では、目的関数と制約関数の両方が弱凸である問題の重要な部分集合について検討する。 既存の手法では、収束速度の遅さや二重ループ設計への依存など、しばしば制限に直面している。 これらの課題を克服するために,新しい単一ループペナルティに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-21T17:15:48Z)
• Towards Constraint-Based Adaptive Hypergraph Learning for Solving Vehicle Routing: An End-to-End Solution [4.965709007367529]
  車両の経路問題は、広大な解空間と複雑な制約によって特徴づけられる。 本研究では,制約指向のハイパーグラフと強化学習を組み合わせた新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T14:42:44Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
  我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。 制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。 私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
  論文  参考訳（メタデータ） (2023-06-15T08:33:52Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。