論文の概要: LP Mining with LP2Graph: A Use Case for Railway Rescheduling
- arxiv url: http://arxiv.org/abs/2607.11980v1
- Date: Mon, 13 Jul 2026 07:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:29.917296
- Title: LP Mining with LP2Graph: A Use Case for Railway Rescheduling
- Title（参考訳）: LP2GraphによるLPマイニング:鉄道再スケジューリングのユースケース
- Abstract要約: 本稿では,LP2Graphを用いたLPマイニングについて述べる。LPおよびMILPの定式化構造を再現可能なデータセットと誘導分類にマイニングする手法である。
この結果は、変数、制約、モデルタイプの客観的かつ反復可能な分類であり、自動鉄道再スケジューリングモデル開発におけるraiLPminerラインが構築する原則的な基礎である。
- 参考スコア（独自算出の注目度）: 4.424170214926035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Like many optimization-driven domains, railway rescheduling relies on Mixed-Integer Linear Programming (MILP), yet the field's modeling knowledge is scattered across hundreds of papers in incompatible notations, and narrative surveys organize it subjectively: they classify models by vocabulary rather than by structure, and reproduce neither. We present LP Mining with LP2Graph, a method that mines the structure of published LP and MILP formulations into a reproducible dataset and an induced taxonomy. Its core, LP2Graph, represents each formulation admitted by its canonical grammar as a typed variable--equation graph derived from a single canonical model; once a source is extracted into that model, everything downstream is deterministic. Each source is parsed into this model, homologized, and clustered bottom-up (over variables, then constraints and the objective, then whole-model structure) and, separately, by application domain and solution approach; the resulting groups are labeled by a rule-seeded, self-updating classifier. We validate the representation rather than assume it: per-cluster representatives are regenerated as independent LaTeX and re-solved across CBC, HiGHS and Gurobi against the optimum reported in the source paper. The outcome is an objective, repeatable taxonomy of variables, constraints and model types: the principled foundation on which our raiLPminer line of automated railway-rescheduling model development builds.
- Abstract（参考訳）: 多くの最適化駆動のドメインと同様に、鉄道の再スケジューリングはMILP(Mixed-Integer Linear Programming)に依存しているが、この分野のモデリングの知識は互換性のない表記法で数百の論文に散らばっており、物語調査ではそれを主観的に整理している。
本稿では,LP2Graphを用いたLPマイニングについて述べる。LPおよびMILPの定式化構造を再現可能なデータセットと誘導分類にマイニングする手法である。
その中核であるLP2Graphは、標準文法によって認識される各定式化を、単一の標準モデルから派生した型付き変数方程式グラフとして表現する。
各ソースは、このモデルに解析され、同化され、クラスタ化されたボトムアップ(変数、次に制約と目的、そして全体モデル構造)と、アプリケーション・ドメインとソリューション・アプローチによって別々に解析される。
クラスタごとの代表者は独立のLaTeXとして再生され、CBC, HiGHS, Gurobiで再解決される。
この結果は、変数、制約、モデルタイプの客観的かつ反復可能な分類であり、自動鉄道再スケジューリングモデル開発におけるraiLPminerラインが構築する原則的な基礎である。
関連論文リスト
- Pseudo-Labeling for Unsupervised Domain Adaptation with Kernel GLMs [4.153834414190214]
教師なしドメイン適応のための原則的フレームワークを提案する。
我々の目標は、ラベル付きソースデータとラベルなしターゲットデータを活用することで、ターゲット領域における予測誤差を最小限にすることである。
合成データセットと実データセットの実験は、ソースのみのベースラインよりも一貫したパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2026-03-19T19:31:47Z) - 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) - Heterogeneous LLM Methods for Ontology Learning (Few-Shot Prompting, Ensemble Typing, and Attention-Based Taxonomies) [46.54026795022501]
LLMs4OL 2025チャレンジのタスクA,B,Cに対処する包括的システムを提案する。
提案手法は、検索強化プロンプト、ゼロショット分類、アテンションに基づくグラフモデリングを組み合わせたものである。
これらのモジュラーでタスク固有のソリューションによって、公式のリーダーボードで上位の成果を得られるようになりました。
論文 参考訳（メタデータ） (2025-08-26T20:50:16Z) - Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。
本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。
我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文 参考訳（メタデータ） (2025-05-21T07:16:44Z) - Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。
CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。
CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文 参考訳（メタデータ） (2024-02-05T03:25:04Z) - Leveraging Instance Features for Label Aggregation in Programmatic Weak
Supervision [75.1860418333995]
Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。
PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。
既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
論文 参考訳（メタデータ） (2022-10-06T07:28:53Z) - A Differentiable Relaxation of Graph Segmentation and Alignment for AMR
Parsing [75.36126971685034]
我々は、アライメントとセグメンテーションをモデルの潜在変数として扱い、エンドツーエンドのトレーニングの一部としてそれらを誘導する。
また,AMRの個々の構造を扱うために手作りされたLyu2018AMRPAのセグメンテーションルールに依存するモデルにもアプローチした。
論文 参考訳（メタデータ） (2020-10-23T21:22:50Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Characterizing and Avoiding Problematic Global Optima of Variational
Autoencoders [28.36260646471421]
変分自動エンコーダ(VAEs)は、深部生成潜在変数モデルである。
最近の研究は、伝統的な訓練手法がデシダラタに反する解決策をもたらす傾向があることを示している。
どちらの問題も、VAEトレーニング目標のグローバルな最適度が望ましくない解決策とよく一致するという事実に起因していることを示す。
論文 参考訳（メタデータ） (2020-03-17T15:14:25Z) - On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。
異なる家族間でのモデルランキングの相関はみられない。
論文 参考訳（メタデータ） (2020-02-17T20:13:35Z)
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。