論文の概要: Graph-Conditioned Meta-Optimizer for QAOA Parameter Generation on Multiple Problem Classes

• arxiv url: http://arxiv.org/abs/2604.25275v1
• Date: Tue, 28 Apr 2026 06:33:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.737066
• Title: Graph-Conditioned Meta-Optimizer for QAOA Parameter Generation on Multiple Problem Classes
• Title（参考訳）: 複数の問題クラスを用いたQAOAパラメータ生成のためのグラフ記述型メタ最適化器
• Authors: Kien X. Nguyen, Ilya Safro,
• Abstract要約: 複数の最適化問題クラスにまたがる量子近似最適化アルゴリズム(QAOA)のパラメータ転送性について検討した。 固定地平線上で軌道を生成することを学習するQAOAのための問題対応グラフ条件メタ最適化器を提案する。
• 参考スコア（独自算出の注目度）: 4.194554268792374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study parameter transferability for the Quantum Approximate Optimization Algorithm (QAOA) across multiple combinatorial optimization problem classes from a parameter generation perspective. Specifically, a meta-optimizer is trained on one problem class and deployed on another during test time. Prior work employs a Long Short-Term Memory network to emulate QAOA optimization trajectories, but the learned dynamics usually collapse to near-identical paths, limiting cross-problem transfer efficiency. In this paper, we present a problem-aware graph-conditioned meta-optimizer for QAOA that learns to generate parameter trajectories over a fixed horizon, providing strong initializations with only a few steps. The optimizer is conditioned on compact graph embeddings and trained end-to-end using differentiable feedback from the QAOA objective, avoiding the need for ground-truth angles. We evaluate across multiple graph problem classes, including MaxCut, Maximum Independent Set, Maximum Clique, and Minimum Vertex Cover. We report both solution quality and feasibility-aware metrics where constraints apply. Results across a comprehensive empirical study consisting of 64 settings show that the learned optimizer can reduce optimization effort and improve performance over standard initialization, while exhibiting transferable behavior across graph families and problem types.
• Abstract（参考訳）: 本稿では、パラメータ生成の観点から、複数の組合せ最適化問題クラスにまたがる量子近似最適化アルゴリズム(QAOA)のパラメータ転送可能性について検討する。 具体的には、メタ最適化者は、ある問題クラスでトレーニングされ、テスト期間中に別の問題クラスにデプロイされる。 従来の作業ではQAOA最適化トラジェクトリをエミュレートするためにLong Short-Term Memoryネットワークを使用していたが、学習されたダイナミクスは通常、ほぼ同一のパスに崩壊し、クロスプロブレム転送効率が制限される。 本稿では,固定水平線上でパラメータトラジェクトリを生成することを学習し,数ステップで強力な初期化を実現するQAOAのための問題対応グラフ条件付きメタ最適化手法を提案する。 このオプティマイザは、QAOA目標からの微分可能なフィードバックを用いて、コンパクトなグラフ埋め込みと訓練されたエンドツーエンドに条件付けされ、接地構造角の必要性を回避する。 我々は、MaxCut、Maximum Independent Set、Maximum Clique、Minimum Vertex Coverを含む複数のグラフ問題クラスを評価した。 制約が適用される場合、ソリューションの品質と実現可能なメトリクスの両方を報告します。 64設定からなる総合的な実証研究の結果から、学習した最適化者は、グラフファミリや問題タイプ間での転送可能な振る舞いを示しながら、最適化の労力を削減し、標準初期化よりもパフォーマンスを向上させることができることが示された。

関連論文リスト

• Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
  勾配学習における設計の自動化に関する理論的基礎を築いた。 勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
  論文  参考訳（メタデータ） (2025-12-06T09:50:41Z)
• Cross-Problem Parameter Transfer in Quantum Approximate Optimization Algorithm: A Machine Learning Approach [0.7560883489000579]
  我々は、MaxCutの事前訓練されたQAOAパラメータをそのまま使用することができるか、最大独立セット(MIS)回路を暖められるかを検討する。 実験結果から,このようなパラメータ転送が要求される最適化イテレーションの回数を大幅に削減できることが示唆された。
  論文  参考訳（メタデータ） (2025-04-14T21:56:11Z)
• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Graph Representation Learning for Parameter Transferability in Quantum Approximate Optimization Algorithm [1.0971022294548696]
  量子近似最適化アルゴリズム(QAOA)は、量子拡張最適化による量子優位性を達成するための最も有望な候補の1つである。 本研究では,5種類のグラフ埋め込み手法を適用し,パラメータ転送可能性に対する適切なドナー候補を決定する。 この手法を用いて,パラメータ最適化に要するイテレーション数を効果的に削減し,目標問題に対する近似解を桁違いに高速化する。
  論文  参考訳（メタデータ） (2024-01-12T16:01:53Z)
• Joint inference and input optimization in equilibrium networks [68.63726855991052]
  ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。 この2つの設定の間には自然なシナジーがあることが示されています。 この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
  論文  参考訳（メタデータ） (2021-11-25T19:59:33Z)
• 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)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。