論文の概要: NLPOpt-Net: A Learning Method for Nonlinear Optimization with Feasibility Guarantees

• arxiv url: http://arxiv.org/abs/2605.00260v1
• Date: Thu, 30 Apr 2026 21:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.77241
• Title: NLPOpt-Net: A Learning Method for Nonlinear Optimization with Feasibility Guarantees
• Title（参考訳）: NLPOpt-Net: 可能性保証を用いた非線形最適化学習法
• Authors: Bimol Nath Roy, Rahul Golder, MM Faruque Hasan,
• Abstract要約: パラメトリック最適化ネットワーク(Opt-Net)は、制約付き非線形プログラムを解決するための教師なし学習アーキテクチャである。 制約満足度を保証したパラメトリックソリューションマップの学習方法を示す。 アクティブな集合とそれに対応する双対変数のほぼ正確な予測を提供し、これによりマルチプログラミングのためのスケーラブルなアプローチを可能にする。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nonlinear Parametric Optimization Network (NLPOpt-Net) is an unsupervised learning architecture to solve constrained nonlinear programs (NLP). Given the structure of an NLP, it learns the parametric solution maps with guaranteed constraint satisfaction. The architecture consists of a backbone neural network (NN) followed by a multilayer ($k$-layered) projection. While the NN drives toward optimality through a loss function consisting of a modified Lagrangian augmented with a consistency loss, the projection ensures feasibility by projecting the NN predictions in the original constraint manifold. Instead of typical distance minimization, our projection exploits local quadratic approximations of the original NLP. Under certain conditions (such as convexity), the projection has a descent property, which improves the NN predictions further. NLPOpt-Net deploys an inversion-free, modified Chambolle-Pock algorithm to solve the constrained quadratic projections during the forward pass and uses the implicit function theorem for efficient backpropagation. The fixed structure of the projection further allows decoupling of the NN and the projection once the training is complete. NLPOpt-Net solves large-scale convex QP, QCQP, NLP, and nonconvex problems with near zero optimality gap and constraint violations reduced to machine precision. Additionally, it provides near accurate prediction of the active sets and corresponding dual variables, thereby enabling a scalable approach for multiparametric programming. Compiling the projection in C provides order of magnitude improvement in inference time compared to JAX. We provide the codes and NLPOpt-Net as a ready to use package that includes GPU support.
• Abstract（参考訳）: 非線形パラメトリック最適化ネットワーク(NLPOpt-Net)は、制約付き非線形プログラム(NLP)を解決するための教師なし学習アーキテクチャである。 NLPの構造を考えると、パラメトリックな解写像を許容された制約満足度で学習する。 アーキテクチャは、バックボーンニューラルネットワーク(NN)と、マルチレイヤ($k$-layered)プロジェクションで構成される。 NNは、調整されたラグランジアン拡張と整合性損失からなる損失関数を通して最適性に向かうが、プロジェクションは元の制約多様体にNN予測を投影することで実現可能である。 通常の距離最小化の代わりに、このプロジェクションは元のNLPの局所2次近似を利用する。 凸性のような特定の条件下では、射影は降下特性を持ち、NN予測をさらに改善する。 NLPOpt-Netは、フォワードパス中に制約された二次射影を解決するために、反転のない修正されたシャンブル・ポックアルゴリズムをデプロイし、効率的なバックプロパゲーションのために暗黙の関数定理を使用する。 プロジェクションの固定構造により、トレーニングが完了すると、NNとプロジェクションの分離が可能になる。 NLPOpt-Net は大規模凸 QP, QCQP, NLP, 非凸問題をほぼゼロの最適性ギャップと制約違反で解く。 さらに、アクティブな集合と対応する双対変数のほぼ正確な予測を提供し、これによりマルチパラメトリックプログラミングのためのスケーラブルなアプローチを可能にする。 C言語でプロジェクションをコンパイルすると、JAXと比べて推論時間を大幅に改善します。 GPUサポートを含むパッケージとして、コードとNLPOpt-Netを提供しています。

関連論文リスト

• Don't Be Greedy, Just Relax! Pruning LLMs via Frank-Wolfe [61.68406997155879]
  State-of-the-art Large Language Model (LLM) プルーニング手法は階層的に動作し、階層ごとのプルーニングエラーを最小限に抑え、完全な再トレーニングを回避する。 既存の手法は、刈り上げ対象の重量相互作用を無視する欲求凸に依存する。 提案手法は, 層ごとのプルーニング誤差を大幅に低減し, 最先端のGPTアーキテクチャにおいて高いベースラインを達成し, メモリ効率を保っている。
  論文  参考訳（メタデータ） (2025-10-15T16:13:44Z)
• Partially-Supervised Neural Network Model For Quadratic Multiparametric Programming [2.064612766965483]
  本研究では,大域的解関数の数学的構造を直接表現する部分教師付きNNアーキテクチャを提案する。 汎用的なNNトレーニング手法とは対照的に,PSNN法は最適化問題の数学的性質から直接モデル重みを導出する。
  論文  参考訳（メタデータ） (2025-06-05T20:26:18Z)
• Learning based convex approximation for constrained parametric optimization [11.379408842026981]
  本稿では、制約付き最適化問題を解決するために、入力ニューラルネットワーク(ICNN)に基づく自己教師付き学習フレームワークを提案する。 厳密な収束解析を行い、このフレームワークが元の問題のKKT近似点に収束することを示す。 提案手法は精度,実現可能性,計算効率の両立を実現している。
  論文  参考訳（メタデータ） (2025-05-07T00:33:14Z)
• ENFORCE: Nonlinear Constrained Learning with Adaptive-depth Neural Projection [0.0]
  本稿では,適応プロジェクションモジュール(AdaNP)を用いたニューラルネットワークアーキテクチャであるENFORCEを紹介した。 プロジェクションマッピングが1-Lipschitzであることが証明され、安定したトレーニングに適している。 我々の新しいアーキテクチャの予測は、ニューラルネットワークの入力と出力の両方において非線形である$N_C$等式制約を満たす。
  論文  参考訳（メタデータ） (2025-02-10T18:52:22Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Fixing the NTK: From Neural Network Linearizations to Exact Convex Programs [63.768739279562105]
  学習目標に依存しない特定のマスクウェイトを選択する場合、このカーネルはトレーニングデータ上のゲートReLUネットワークのNTKと等価であることを示す。 この目標への依存の欠如の結果として、NTKはトレーニングセット上の最適MKLカーネルよりもパフォーマンスが良くない。
  論文  参考訳（メタデータ） (2023-09-26T17:42:52Z)
• Power Control with QoS Guarantees: A Differentiable Projection-based Unsupervised Learning Framework [14.518558523319518]
  NPハード無線リソース割り当て問題を解決する潜在的なソリューションとして、ディープニューラルネットワーク(DNN)が登場している。 マルチユーザチャネルにおける古典的電力制御問題を解決するために,教師なし学習フレームワークを提案する。 提案手法は,データレートを向上するだけでなく,既存の計算に比べて制約違反の確率をゼロにすることを示す。
  論文  参考訳（メタデータ） (2023-05-31T14:11:51Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• The Hidden Convex Optimization Landscape of Two-Layer ReLU Neural Networks: an Exact Characterization of the Optimal Solutions [51.60996023961886]
  コーン制約のある凸最適化プログラムを解くことにより,グローバルな2層ReLUニューラルネットワークの探索が可能であることを示す。 我々の分析は新しく、全ての最適解を特徴づけ、最近、ニューラルネットワークのトレーニングを凸空間に持ち上げるために使われた双対性に基づく分析を活用できない。
  論文  参考訳（メタデータ） (2020-06-10T15:38:30Z)

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。