論文の概要: CAffNet: Hard Constraint-Affine Neural Networks

• arxiv url: http://arxiv.org/abs/2605.24437v1
• Date: Sat, 23 May 2026 07:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.058722
• Title: CAffNet: Hard Constraint-Affine Neural Networks
• Title（参考訳）: CAffNet: ハード制約アフィンニューラルネットワーク
• Authors: Yang Zhao, Jungeun Lee, Jeong hwan Jeon, Sze Zheng Yong,
• Abstract要約: ニューラルネットワーク(NN)アーキテクチャにハード制約満足度を埋め込むための新しいフレームワークを提案する。 トレーニング可能な制約アフィン層をNNに導入し、CAffNetを生成する。 提案手法は,NNの普遍近似特性を保ちつつ,全ての入力に対する制約順守の保証を提供する。
• 参考スコア（独自算出の注目度）: 10.265278972449755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel framework for embedding hard constraint satisfaction into neural network (NN) architectures, specifically feedforward neural networks and transformers, with input-dependent affine constraints of arbitrary cardinality. Traditional constraint enforcement approaches either rely on penalty-based soft constraints, which offer no guarantee of satisfaction, or on post-processing methods that enforce constraints after the NN is trained, which may lead to suboptimality. We introduce a trainable constraint-affine (CAffine) layer into NNs, yielding CAffNet, which goes beyond enforcing affine constraints via fixed orthogonal or parallel projections and enables joint optimization with network parameters. Moreover, we impose no restrictions on the constraint space dimensions and establish that our construction preserves the universal approximation properties of NNs, while providing provable guarantees on constraint adherence for all inputs. Experimental validation demonstrates robust performance across diverse domains requiring guaranteed constraint satisfaction.
• Abstract（参考訳）: 本稿では、ニューラルネットワーク(NN)アーキテクチャ、特にフィードフォワードニューラルネットワークとトランスフォーマーに、任意の濃度の入力依存アフィン制約を組み込むための新しい枠組みを提案する。 従来の制約執行アプローチは、満足度を保証しないペナルティベースのソフト制約に依存するか、NNが訓練された後に制約を強制するポストプロセッシング手法に依存する。 トレーニング可能な制約アフィン層(CAffine-affine)をNNに導入し,固定直交あるいは平行投影によるアフィン制約を超越し,ネットワークパラメータとの結合最適化を実現する。 さらに, 制約空間の次元に制約を課さず, NNの普遍近似特性を保ちつつ, 全ての入力に対する制約順守を保証する。 実験的な検証は、制約満足度を保証するために様々な領域で堅牢な性能を示す。

関連論文リスト

• HardNet++: Nonlinear Constraint Enforcement in Neural Networks [3.2740680236631636]
  HardNet++は、線形および非線形平等と不等式制約を同時に満たす制約強化手法である。 一定の規則性条件下では、任意の寛容に対する非線形制約満足度を強制できることを示す。
  論文  参考訳（メタデータ） (2026-04-21T16:49:37Z)
• Scalable Verification of Neural Control Barrier Functions Using Linear Bound Propagation [50.53301323864253]
  制御バリア関数 (CBF) は非線形動的制御システムの安全性を保証するための一般的なツールである。 本稿では,ニューラルネットワークがCBFとなるために必要な条件に対して,一方向に線形な上界と下界に基づいて,ニューラルCBFを検証するための新しい枠組みを提案する。 我々のアプローチは、CBFの最先端の検証手順よりも大きなニューラルネットワークにスケールする。
  論文  参考訳（メタデータ） (2025-11-09T11:51:15Z)
• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• HardNet: Hard-Constrained Neural Networks with Universal Approximation Guarantees [4.814150850377003]
  HardNetは、本質的に厳しい制約を満たすニューラルネットワークを構築するためのフレームワークである。 HardNetはニューラルネットワークの普遍近似能力を維持していることを示す。
  論文  参考訳（メタデータ） (2024-10-14T17:59:24Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Achieving Constraints in Neural Networks: A Stochastic Augmented Lagrangian Approach [49.1574468325115]
  DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。 制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。 我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
  論文  参考訳（メタデータ） (2023-10-25T13:55:35Z)
• 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)
• DeepSaDe: Learning Neural Networks that Guarantee Domain Constraint Satisfaction [8.29487992932196]
  本稿では,ニューラルネットワークを訓練し,様々な制約を課し,その制約が全ての可能な予測によって満たされることを保証するアプローチを提案する。 私たちのアプローチは、さまざまなドメイン制約を強制するのに十分な柔軟性があり、ニューラルネットワークでそれらを保証できます。
  論文  参考訳（メタデータ） (2023-03-02T10:40:50Z)
• Constrained Empirical Risk Minimization: Theory and Practice [2.4934936799100034]
  本稿では,Deep Neural Networks (DNN) などのパラメータ化された関数集合に対する制約の厳格化を可能にするフレームワークを提案する。 我々は、幾何学的深層学習で使用される同変ネットワークの範囲外にある制約に焦点を当てる。 このフレームワークの主な例として、畳み込みニューラルネットワーク(CNN)のフィルタをウェーブレットに制限し、これらのウェーブレットネットワークを医療領域における輪郭予測のタスクに適用する。
  論文  参考訳（メタデータ） (2023-02-09T16:11:58Z)
• Neural network training under semidefinite constraints [0.0]
  本稿では,ニューラルネットワーク(NN)の半定制約下でのトレーニングについて述べる。 半定値制約は、NNの興味深い特性を検証するのに使うことができる。 実験では,従来の手法よりも訓練方法が優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-03T13:10:49Z)

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。