論文の概要: Unsupervised Diffusion Solver for Combinatorial Optimization via Combinatorial Adjoint Matching

• arxiv url: http://arxiv.org/abs/2605.30920v1
• Date: Fri, 29 May 2026 07:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.440521
• Title: Unsupervised Diffusion Solver for Combinatorial Optimization via Combinatorial Adjoint Matching
• Title（参考訳）: 組合せ随伴マッチングによる組合せ最適化のための教師なし拡散解法
• Abstract要約: 本研究では,随伴型軌道最適化手法を離散領域に拡張する。 離散拡散のための教師なし学習フレームワークである Combinatorial Adjoint Matching (CAM) を提案する。
• 参考スコア（独自算出の注目度）: 46.08543848104545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based neural solvers have shown strong promise for combinatorial optimization (CO), but existing methods typically rely on supervised training with large collections of near-optimal solutions. In this work, we extend adjoint-based trajectory optimization methods to discrete combinatorial domains. We formulate diffusion-based CO as a stochastic control problem over Continuous-Time Markov Chains and introduce discrete adjoint dynamics for propagating optimization signals through discrete generative trajectories. Building on this formulation, we propose Combinatorial Adjoint Matching (CAM), an unsupervised training framework for discrete diffusion solvers with structured and low-variance trajectory-level optimization signals. Empirically, CAM consistently outperforms existing unsupervised diffusion baselines and achieves performance competitive with strong supervised diffusion solvers and even traditional solvers across diverse combinatorial optimization problems. Our code is available at https://github.com/Shengyu-Feng/CAM.
• Abstract（参考訳）: 拡散に基づくニューラルソルバは、組合せ最適化(CO)に強い期待を示してきたが、既存の手法は概して、近最適解の大規模なコレクションによる教師付きトレーニングに依存している。 本研究では,随伴型軌道最適化手法を離散組合せ領域に拡張する。 連続時間マルコフ連鎖上の確率的制御問題として拡散型COを定式化し、離散生成軌道を通した最適化信号の伝播のための離散随伴ダイナミクスを導入する。 この定式化に基づいて、構造化された低分散軌跡レベルの最適化信号を持つ離散拡散解法のための教師なし学習フレームワークである Combinatorial Adjoint Matching (CAM) を提案する。 経験的に、CAMは既存の教師なし拡散ベースラインを一貫して上回り、強力な教師付き拡散解法や、様々な組合せ最適化問題にまたがる伝統的な解法と競合する性能を達成する。 私たちのコードはhttps://github.com/Shengyu-Feng/CAMで公開されています。

関連論文リスト

• Learning Discrete Decisions for MIPs with Constraint-Aware Diffusion [40.25954048196068]
  本稿では,混合整数最適化問題の事例を大まかに解くための,学習に基づく新しい手法を提案する。 提案手法は,混合整数最適化問題の離散成分を学習するグラフベース生成拡散モデルに依存する。 Constrained Graph Diffusion (CGD) という名前のフレームワークは問題に依存しず、様々な混合整数最適化問題に対応できる。
  論文  参考訳（メタデータ） (2026-08-13T10:46:18Z)
• SPREAD: Sampling-based Pareto front Refinement via Efficient Adaptive Diffusion [0.8594140167290097]
  SPREADは拡散確率モデル(DDPM)に基づく生成フレームワークである 決定空間からサンプリングされた点上の条件拡散過程を学習する。 適応的多重勾配降下インスパイアされた更新を高速収束に利用するサンプリングスキームにより、候補を洗練する。
  論文  参考訳（メタデータ） (2025-09-25T12:09:37Z)
• Diffusion-Sharpening: Fine-tuning Diffusion Models with Denoising Trajectory Sharpening [56.99266993852532]
  拡散シャープニング(Diffusion-Sharpening)は、サンプリング軌道を最適化することで下流のアライメントを向上させる微調整手法である。 提案手法は, NFEを必要とせず, より高速に収束し, 最高の推論効率を示す。
  論文  参考訳（メタデータ） (2025-02-17T18:57:26Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Ant Colony Sampling with GFlowNets for Combinatorial Optimization [68.84985459701007]
  Generative Flow Ant Colony Sampler (GFACS)は、階層的に償却推論と並列探索を組み合わせた新しいメタヒューリスティック手法である。 提案手法はまず,生成フローネットワーク(GFlowNets)を利用して,解空間上のエンフルティモーダル事前分布を補正する。 この前者は、Ant Colony Optimization (ACO) の精神で並列探索によって更新され、後部分布がほぼ最適解を生成する。
  論文  参考訳（メタデータ） (2024-03-11T16:26:06Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• On Accelerating Distributed Convex Optimizations [0.0]
  本稿では,分散マルチエージェント凸最適化問題について検討する。 提案アルゴリズムは, 従来の勾配偏光法よりも収束率を向上し, 線形収束することを示す。 実ロジスティック回帰問題の解法として,従来の分散アルゴリズムと比較して,アルゴリズムの性能が優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-19T13:19:54Z)

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。