論文の概要: Transfer Learning from Foundational Optimization Embeddings to Unsupervised SAT Representations

• arxiv url: http://arxiv.org/abs/2604.15448v1
• Date: Thu, 16 Apr 2026 18:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.611264
• Title: Transfer Learning from Foundational Optimization Embeddings to Unsupervised SAT Representations
• Title（参考訳）: 基本最適化埋め込みから教師なしSAT表現への変換学習
• Abstract要約: 基本最適化の埋め込みは、混合整数プログラミング問題に対する強力な事前訓練された表現として登場した。 我々は、CNFの公式を同じ二部制約変数グラフ表現にマッピングすることで、基本最適化アーキテクチャをSATに適用する。 これらの埋め込みはSATインスタンスの構造的規則性を捕捉し、教師なしタスクをサポートすることを示す。
• 参考スコア（独自算出の注目度）: 4.286308806400942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundational optimization embeddings have recently emerged as powerful pre-trained representations for mixed-integer programming (MIP) problems. These embeddings were shown to enable cross-domain transfer and reduce reliance on solver-generated labels. In this work, we investigate whether such representations generalize beyond optimization to decision problems, focusing on Boolean satisfiability (SAT). We adapt the foundational optimization architecture to SAT by mapping CNF formulas into the same bipartite constraint-variable graph representation used for MIPs. This allows direct reuse of the pre-trained embedding model without architectural changes or supervised fine-tuning. Our results show that these embeddings capture structural regularities in SAT instances and support unsupervised tasks such as instance clustering and distribution identification. We demonstrate, for the first time, that foundational optimization embeddings can transfer to constraint satisfaction domains. Our findings is a step toward a unified representational framework for both optimization and decision problems.
• Abstract（参考訳）: 基本最適化の埋め込みは、最近、混合整数プログラミング(MIP)問題のための強力な事前訓練された表現として登場した。 これらの埋め込みは、クロスドメイン転送を可能にし、ソルバ生成ラベルへの依存を減らすことが示されている。 本研究では,これらの表現が最適化を超えて決定問題に一般化するかどうかを,ブール満足度(SAT)に着目して検討する。 我々は CNF の公式を MIP に使用する2部制約変数グラフ表現にマッピングすることで、基本最適化アーキテクチャをSAT に適用する。 これにより、アーキテクチャの変更や教師付き微調整なしに、事前訓練された埋め込みモデルの直接再利用が可能になる。 その結果,これらの埋め込みはSATインスタンスの構造的規則性を捉え,インスタンスクラスタリングや分散識別といった教師なしタスクをサポートすることがわかった。 我々は、基礎最適化の埋め込みが制約満足度領域に移行できることを初めて証明した。 我々の発見は、最適化と意思決定の両面での統一的な表現フレームワークへの一歩である。

関連論文リスト

• Support-Proximity Augmented Diffusion Estimation for Offline Black-Box Optimization [17.43522044331905]
  本研究では,SPADE(Support-Proximity Augmented Diffusion Estimation)を提案する。 本研究では,SPADE が Design-Bench タスクと LLM データ混合最適化ベンチマークを用いて,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-11T21:09:28Z)
• Structure-Aware Robust Counterfactual Explanations via Conditional Gaussian Network Classifiers [0.26999000177990923]
  本研究は,条件付き条件グラフに基づく構造認識型ロバストネス・ウンタファクト探索手法を提案する。 結果から,本手法は,特に安定な依存関係を提供する元の定式化を直接最適化することにより,強い整合性を実現することが示された。 提案手法は,非循環的制約下での非実効的推論における今後の進歩の基盤となる。
  論文  参考訳（メタデータ） (2026-02-08T15:51:45Z)
• Neural Approaches to SAT Solving: Design Choices and Interpretability [3.876394880838347]
  本稿では,ブール充足可能性問題に適用したグラフニューラルネットワークの包括的評価を行う。 我々は、いくつかの訓練改善、特に、新しい最寄りの課題監督手法を導入する。 ニューラルネットワーク更新を繰り返す可変クラスグラフ表現の適合性について実験を行った。
  論文  参考訳（メタデータ） (2025-04-01T20:31:01Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Towards Generalizable Trajectory Prediction Using Dual-Level Representation Learning And Adaptive Prompting [107.4034346788744]
  既存の車両軌道予測モデルは、一般化可能性、予測の不確実性、複雑な相互作用を扱う。 本研究では,(1)自己拡張(SD)とマスドレコンストラクション(MR)による二重レベル表現学習,グローバルコンテキストと細部の詳細の収集,(2)レジスタベースのクエリと事前学習の強化,クラスタリングと抑圧の必要性の排除,(3)微調整中の適応型プロンプトチューニング,メインアーキテクチャの凍結,および少数のプロンプトの最適化といった,新たなトラジェクタ予測フレームワークであるPerceiverを提案する。
  論文  参考訳（メタデータ） (2025-01-08T20:11:09Z)
• Feature-Based Interpretable Surrogates for Optimization [0.8437187555622164]
  本研究では、より一般的な最適化ルールを用いて解釈可能性を高める方法について検討する。 提案したルールは、具体的な解ではなく、共通の特徴を特徴とする解の集合にマップされる。 特に,提案手法が提案するソリューションの品質向上を,既存の解釈可能な最適化サロゲートと比較して実証する。
  論文  参考訳（メタデータ） (2024-09-03T13:12:49Z)
• Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
  textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
  論文  参考訳（メタデータ） (2023-11-03T03:18:40Z)
• Dual Adaptive Representation Alignment for Cross-domain Few-shot Learning [58.837146720228226]
  ベース知識から学習することで、限られたサポートサンプルを持つ新規なクエリを認識することを目的としている。 この設定の最近の進歩は、ベース知識と新しいクエリサンプルが同じドメインに分散されていることを前提としている。 本稿では,ターゲットドメインで利用可能なサンプルが極めて少ないドメイン間数ショット学習の問題に対処することを提案する。
  論文  参考訳（メタデータ） (2023-06-18T09:52:16Z)
• Learning Prescriptive ReLU Networks [3.092691764363848]
  本研究では,観察データを用いた個別の治療法の集合から最適政策を学習する問題について検討する。 本稿では,強い規範的性能と解釈可能性のバランスをとることができる一方向線形ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-01T13:17:29Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis [63.53283025435107]
  CNFベースのSATとMaxSATは論理合成と検証システムの中心である。 そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T04:47:35Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。