論文の概要: GraphBU: MILP Instance Generation with Graph-Native Block Units
- arxiv url: http://arxiv.org/abs/2607.06532v1
- Date: Tue, 07 Jul 2026 17:39:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.611474
- Title: GraphBU: MILP Instance Generation with Graph-Native Block Units
- Title（参考訳）: GraphBU: グラフネイティブブロックユニットによるMILPインスタンス生成
- Authors: Xiaolei Guo, Chenyu Zhou, Jianghao Lin, Dongdong Ge,
- Abstract要約: 混合整数線形プログラミング(MILP)インスタンスは、モデルがプライベートまたはアプリケーション固有のパイプラインから来ている場合、入手が困難である。
基本ユニットがローカルサブプロブレム+インターフェースであるグラフネイティブジェネレータであるGraphBUを提案する。
- 参考スコア（独自算出の注目度）: 11.109848877379934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mixed-integer linear programming (MILP) instances used for solver development are hard to obtain when models come from private or application-specific pipelines. A generator must keep the structure that solvers and learned policies rely on. Existing general generators usually choose their generation unit from a formulation template, summary statistics, local graph edits, or blocks found after recombination. These units do not explicitly record how a local part of the MILP is coupled to the rest of the instance. We propose GraphBU, a graph-native generator whose basic unit is a local subproblem plus its interface. The method promotes coupling nodes into master constraints or boundary variables and uses the resulting block units for compatibility-checked replacement. The analysis focuses on the properties needed by this construction: promotion separates interfaces, replacement can preserve feasibility under an interface-slack condition, and the graph construction is invariant to row-column permutations. On MILP instances generation, this unit keeps graph statistics close to the source family, preserves feasibility on most datasets, and improves downstream Predict-and-Search training. Genrated by GraphBU, The average graph-statistical similarity was approximately 0.934, the average feasibility was approximately 96.7%, and the average increase in the main index of downstream PS was approximately 8.0%.
- Abstract（参考訳）: 問題解決に使用されるMILP(Mixed-integer linear programming)インスタンスは、プライベートまたはアプリケーション固有のパイプラインからモデルを得る場合、入手が困難である。
ジェネレータは、ソルバと学習ポリシーが依存する構造を保持する必要があります。
既存のジェネラルジェネレータは通常、定式化テンプレート、要約統計、ローカルグラフ編集、あるいは組換え後のブロックから生成ユニットを選択する。
これらのユニットは、MILPのローカル部分がインスタンスの他の部分とどのように結合されているかを明示的に記録していない。
基本ユニットがローカルサブプロブレム+インターフェースであるグラフネイティブジェネレータであるGraphBUを提案する。
この方法は、ノードをマスター制約や境界変数に結合させ、結果のブロックユニットを互換性チェックの代替に使用する。
促進はインターフェイスを分離し、置換はインターフェイス・スラック条件下で実現可能性を維持することができ、グラフ構造は行列の置換に不変である。
MILPインスタンス生成では、このユニットは、ソースファミリーに近いグラフ統計を保持し、ほとんどのデータセットで実現可能性を保持し、下流での予測と検索のトレーニングを改善します。
GraphBUによると、グラフ統計の類似性の平均は0.934で、実現可能性の平均は96.7%、下流PSの指標の平均は8.0%だった。
関連論文リスト
- Covariate-assisted graph matching [1.4466802614938332]
そこで我々は,シードと呼ばれるノードの集合の部分的アライメントが知られている2つの新しいグラフマッチング法を提案する。
本手法の有効性は,数値実験および統計学系譜と協調ネットワークのマッチングへの応用を通じて実証された。
論文 参考訳（メタデータ） (2025-12-12T18:12:56Z) - From Moments to Models: Graphon Mixture-Aware Mixup and Contrastive Learning [37.00052626796266]
本稿では,グラフトンで表される基礎となるグラフ生成モデルの混合として,データを明示的にモデル化する統合フレームワークを提案する。
これにより、混合成分を解離させ、それらの異なる生成機構を同定することができる。
教師なし学習では、MGCLは最先端の結果を達成し、8つのデータセットの平均ランクを得る。
教師付き学習では、GMAMは既存の戦略を一貫して上回り、7つのデータセットのうち6つで新しい最先端の精度を達成する。
論文 参考訳（メタデータ） (2025-10-04T06:03:04Z) - Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。
G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。
それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
論文 参考訳（メタデータ） (2025-05-22T02:16:34Z) - DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。
DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。
さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
論文 参考訳（メタデータ） (2024-04-26T05:26:10Z) - Sparsity exploitation via discovering graphical models in multi-variate
time-series forecasting [1.2762298148425795]
本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。
まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。
次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-29T16:48:00Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳（メタデータ） (2023-02-08T08:17:43Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Personalized Subgraph Federated Learning [56.52903162729729]
本稿では,新たなサブグラフFL問題,パーソナライズされたサブグラフFLを導入する。
本稿では,Federated Personalized sUBgraph Learning (FED-PUB)を提案する。
オーバーラップしないサブグラフとオーバーラップするサブグラフの両方を考慮して,FED-PUBのサブグラフFL性能を6つのデータセットで検証した。
論文 参考訳（メタデータ） (2022-06-21T09:02:53Z) - CCGG: A Deep Autoregressive Model for Class-Conditional Graph Generation [7.37333913697359]
所望の機能を持つグラフを生成するために,クラス条件付きグラフ生成器(CCGG)を導入する。
CCGGは、様々なデータセット上で既存の条件付きグラフ生成方法より優れている。
また、分散ベースの評価指標の観点から、生成したグラフの品質も維持する。
論文 参考訳（メタデータ） (2021-10-07T21:24:07Z) - Top-N: Equivariant set and graph generation without exchangeability [61.24699600833916]
集合やグラフ上の分布の前にベクトル形状をマッピングするワンショット確率デコーダを考える。
これらの機能は、可変オートエンコーダ(VAE)、生成逆数ネットワーク(GAN)、正規化フローに統合することができる。
Top-nは、トレーニング可能な参照セットから最も関連性の高いポイントを選択することを学ぶ、決定論的で非交換可能なセット生成メカニズムである。
論文 参考訳（メタデータ） (2021-10-05T14:51:19Z)
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。