論文の概要: Fusing Backdoors, Machine Learning, and Optimization for Large-Scale Parametric Mixed-Integer Programs

• arxiv url: http://arxiv.org/abs/2606.21440v1
• Date: Fri, 19 Jun 2026 14:02:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:25:17.98165
• Title: Fusing Backdoors, Machine Learning, and Optimization for Large-Scale Parametric Mixed-Integer Programs
• Title（参考訳）: 大規模パラメトリック混合整数プログラムの融合, 機械学習, 最適化
• Authors: El Mehdi Er Raqabi, Pascal Van Hentenryck,
• Abstract要約: 本稿では,大規模混合整数問題の解を高速化するLearning to Optimize(LTO)フレームワークを提案する。 The proposed BIPC framework consist of three phases. phase I is a Identification procedure that find a backdoor for a set of instance in the distribution。 フェーズIIでは、教師付き学習を使用して、境界領域のバックドア変数の値と広い領域のバックドア変数のインターバルを予測する機械学習モデルを開発する。
• 参考スコア（独自算出の注目度）: 16.447342678728827
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large-scale optimization problems are often solved repeatedly under similar structural conditions, leading to substantial computational overhead. This occurs in applications such as power systems, transportation, and supply chain networks, where the underlying structure is fixed while parameters frequently vary under perturbations. This paper proposes a Learning to Optimize (LTO) framework that accelerates the solution of large-scale general mixed-integer problems by leveraging the concept of a backdoor, i.e., a subset of variables that drive most of the computational complexity. The proposed BIPC framework consists of three phases. Phase I is an identification procedure that discovers a backdoor for a set of instances in the distribution. Phase II uses supervised learning to develop machine learning models that, given an instance, predict values for bounded-domain backdoor variables and intervals for wide-domain backdoor variables. These predictions define a reduced optimization problem where the predictions constrain the backdoor variables, while the other variables remain free. Phase III optimizes this reduced problem and, if necessary, applies a correction step to restore feasibility or the optimality guarantees. Experiments on real-world, large-scale problems show substantial reductions in solution time with only a limited loss in solution quality. The framework enables organizations to solve large-scale optimization problems efficiently in the presence of frequent perturbations, such as unexpected events, demand fluctuations, or operational changes. Because these changes affect parameters rather than the problem structure, BIPC can quickly provide high-quality, feasible solutions, offering a practical approach to integrating machine learning into existing optimization pipelines.
• Abstract（参考訳）: 大規模最適化問題は、しばしば同様の構造条件下で繰り返し解決され、かなりの計算オーバーヘッドをもたらす。 これは電力システム、輸送、サプライチェーンネットワークなどのアプリケーションで発生し、基盤構造は固定され、パラメータは摂動下で頻繁に変化する。 本稿では,バックドアの概念を活用することで,大規模混合整数問題の解を高速化するLearning to Optimize(LTO)フレームワークを提案する。 提案するBIPCフレームワークは3つのフェーズから構成される。 フェーズIは、分散中の一連のインスタンスのバックドアを発見する識別手順である。 フェーズIIでは、教師付き学習を使用して、例えば、境界ドメインのバックドア変数と広いドメインのバックドア変数のインターバルの値を予測する機械学習モデルを開発する。 これらの予測は、予測がバックドア変数を制限し、他の変数はフリーのままであるような、最適化の少ない問題を定義する。 フェーズIIIは、この削減された問題を最適化し、必要であれば、実現可能性や最適性を保証するために修正ステップを適用する。 実世界の大規模問題に対する実験は、解の質をわずかに損なうだけで、解時間が大幅に減少することを示している。 このフレームワークは、予期せぬイベントや需要変動、運用上の変更など、頻繁な摂動の存在下で、大規模な最適化問題を効率的に解決することを可能にする。 これらの変更は問題構造よりもパラメータに影響するため、BIPCはすぐに高品質で実現可能なソリューションを提供し、機械学習を既存の最適化パイプラインに統合するための実践的なアプローチを提供する。

関連論文リスト

• Path Matters: Industrial Data Meet Quantum Optimization [2.7883868459582737]
  現実の最適化問題は、現在の量子ハードウェアで解けるようになる前に、一連の変換を行う必要がある。 実業界における産業生産計画問題と産業データを用いて,これらの転換経路の代表的サブセットをベンチマークする。 その結果,D-Waveハードウェア上でのQAがほぼ最適解を生成するのに対して,IBM量子デバイス上でのLR-QAOAは同等の性能に達するのに苦労していることがわかった。
  論文  参考訳（メタデータ） (2025-04-23T10:45:38Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• An Expandable Machine Learning-Optimization Framework to Sequential Decision-Making [0.0]
  逐次的意思決定問題を効率的に解決する統合予測最適化(PredOpt)フレームワークを提案する。 本稿では,機械学習(ML)における逐次依存,実現可能性,一般化といった課題に対処し,インスタンス問題に対する最適解の予測を行う。
  論文  参考訳（メタデータ） (2023-11-12T21:54:53Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Variable Functioning and Its Application to Large Scale Steel Frame Design Optimization [15.86197261674868]
  変数関数Fxと呼ばれる概念に基づく手法を導入し、最適化変数を減らし、探索空間を狭める。 問題構造解析技術と工学的知識を用いることで、鋼枠設計最適化プロセスを強化するために$Fx$法が用いられる。
  論文  参考訳（メタデータ） (2022-05-15T12:43:25Z)
• Efficient differentiable quadratic programming layers: an ADMM approach [0.0]
  乗算器の交互方向法(ADMM)に基づく代替ネットワーク層アーキテクチャを提案する。 後方微分は、修正された固定点反復の残差写像の暗黙の微分によって行われる。 シミュレーションの結果は、中規模の問題に対してOptNet二次プログラミング層よりも約1桁高速であるADMM層の計算上の利点を示している。
  論文  参考訳（メタデータ） (2021-12-14T15:25:07Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• Computational Overhead of Locality Reduction in Binary Optimization Problems [0.0]
  本稿では,2つの局所的(二次的)コスト関数のみに対応可能な解法の大部分に必要な局所性低減の効果について論じる。 Microsoft Azure Quantumのモンテカルロ並列解法を用いて、2つの局所表現へのポスト還元により、問題の解決がかなり困難になることを示す。
  論文  参考訳（メタデータ） (2020-12-17T15:49:55Z)
• 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)
• Bilevel Optimization for Differentially Private Optimization in Energy Systems [53.806512366696275]
  本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-01-26T20:15:28Z)

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。