論文の概要: GLENS: Global Search via Learning from Solver Iterates with Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.00366v1
• Date: Fri, 29 May 2026 21:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.359098
• Title: GLENS: Global Search via Learning from Solver Iterates with Diffusion Models
• Title（参考訳）: GLENS: 拡散モデルによる解法からの学習によるグローバル検索
• Authors: Anjian Li, Bartolomeo Stellato, Ryne Beeson,
• Abstract要約: 局所最小値の非連続最適化問題に対して,初期推定値の集合を大量に生成する問題を考察する。 本稿では,中間解法をデータとして活用するデータ効率の高いグローバル検索手法であるGLENSを提案する。
• 参考スコア（独自算出の注目度）: 1.7495196015896808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of generating a large collection of initial guesses for local minima of multimodal non-convex continuous optimization problems. The goal is for these initial guesses to be high-quality (i.e., a numerical solver converges quickly) and diverse (i.e., represent many different local minima). Identifying multiple locally optimal solutions enables flexible downstream decision-making, but typically requires expensive global search. Existing data-driven methods predict initial guesses using only the final converged optima from offline solver runs, which discards information about the local neighborhoods of solutions and limits the available training data. We propose GLENS (Global Search via Learning from Solver Iterates), a data-efficient global search method that leverages intermediate solver iterates as free data augmentation. GLENS consists of two components: a neighborhood structure model that uses diffusion models to learn the local geometry around optima conditioned on problem parameters, and a solver behavior model that learns refinement directions to further guide samples towards nearby optima during diffusion sampling. Experiments on modified non-convex benchmark problems and a two-robot obstacle-avoidance navigation problem show that GLENS generates high-quality initial guesses while preserving the multimodal distribution of diverse local optima. The resulting initial guesses lead to faster solver convergence across different problem settings and solvers. We also analyze how key hyperparameter choices affect the performance.
• Abstract（参考訳）: 我々は,マルチモーダルな非凸な連続最適化問題の局所最小値に対して,初期推定値の集合を大量に生成する問題を考察する。 目標は、これらの初期予想が高品質(すなわち、数値解法が急速に収束する)であり、多様(つまり、多くの異なる局所ミニマを表す)であることである。 複数の局所最適解を特定することは、柔軟な下流の意思決定を可能にするが、通常は高価なグローバル検索を必要とする。 既存のデータ駆動手法は、オフラインソルバの実行から最終収束した最適値のみを使用して初期推定を予測し、ソリューションのローカルな地区に関する情報を捨て、利用可能なトレーニングデータを制限する。 本稿では,中間解法をフリーデータ拡張として活用する,データ効率のよいグローバル検索手法であるGLENSを提案する。 GLENSは2つの要素から構成される: 拡散モデルを用いて問題パラメータに条件づけられた最適辺りの局所幾何学を学習する近傍構造モデルと、拡散サンプリング中にサンプルを近くの最適辺へ誘導する洗練された方向を学習するソルバ挙動モデルである。 改良された非凸ベンチマーク問題と2ボット障害物回避ナビゲーション問題の実験により、GLENSは様々な局所最適化のマルチモーダル分布を保ちながら高品質な初期推定を生成することが示された。 結果の最初の推測は、異なる問題設定と解決者間でより高速な解法収束をもたらす。 また、重要なハイパーパラメータの選択がパフォーマンスにどのように影響するかを分析する。

関連論文リスト

• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Global Search for Optimal Low Thrust Spacecraft Trajectories using Diffusion Models and the Indirect Method [0.0]
  長周期の低推力非線形最適宇宙船軌道グローバルサーチは、計算的かつ時間的に高価な問題である。 生成機械学習モデルは、条件パラメータに関して、ソリューション構造がどのように変化するかを学ぶために訓練することができる。 最先端拡散モデルは、グローバル検索フレームワーク内での軌道最適化のための間接的アプローチと統合される。
  論文  参考訳（メタデータ） (2025-01-13T01:49:17Z)
• Global Search of Optimal Spacecraft Trajectories using Amortization and Deep Generative Models [0.5898893619901381]
  パラメータ化された大域的探索問題を,高品質な解に対するアトラクションの局所的な流域の近傍を支援して条件付き確率分布をサンプリングするタスクとして定式化する。 この手法は、円形に制限された3体問題における低推力宇宙船軌道最適化問題でベンチマークされる。 また,低推力宇宙船軌道最適化問題のマルチモーダルファンネル構造を詳細に解析する。
  論文  参考訳（メタデータ） (2024-12-28T04:57:12Z)
• 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)
• DiffuSolve: Diffusion-based Solver for Non-convex Trajectory Optimization [9.28162057044835]
  最適軌道局所は非線形および高次元力学系において計算コストが高い。 本稿では,非次元オプティマ問題に対するDiffuに基づく一般モデルを提案する。 また,新たな制約付き拡散モデルであるDiff+を提案する。
  論文  参考訳（メタデータ） (2024-02-22T03:52:17Z)
• Convex Relaxations of ReLU Neural Networks Approximate Global Optima in Polynomial Time [45.72323731094864]
  本稿では,2層ReLULUネットワーク間における重み減衰と凸緩和の最適性ギャップについて検討する。 私たちの研究は、なぜローカルメソッドがうまく機能するのかを理解することに新たな光を当てています。
  論文  参考訳（メタデータ） (2024-02-06T01:29:35Z)
• Learning To Dive In Branch And Bound [95.13209326119153]
  グラフニューラルネットワークを用いて特定の潜水構造を学習するためのL2Diveを提案する。 我々は、変数の割り当てを予測するために生成モデルを訓練し、線形プログラムの双対性を利用して潜水決定を行う。
  論文  参考訳（メタデータ） (2023-01-24T12:01:45Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Memory Clustering using Persistent Homology for Multimodality- and Discontinuity-Sensitive Learning of Optimal Control Warm-starts [24.576214898129823]
  シューティング法は非線形最適制御問題の解法として効率的である。 最近の研究は、問題空間のオフライン探索中に生成されたサンプルに基づいてトレーニングされた学習モデルからの最初の推測を提供することに重点を置いている。 本研究では、代数的トポロジーからツールを適用し、解空間の基盤構造に関する情報を抽出する。
  論文  参考訳（メタデータ） (2020-10-02T14:24:59Z)

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。