Fugu-MT 論文翻訳(概要): Optimization with Dynamic Constraint Learning (DCL)

論文の概要: Optimization with Dynamic Constraint Learning (DCL)

arxiv url: http://arxiv.org/abs/2607.25719v1
Date: Tue, 28 Jul 2026 13:45:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-29 20:50:42.858623
Title: Optimization with Dynamic Constraint Learning (DCL)
Title（参考訳）: 動的制約学習(DCL)による最適化
Abstract要約: 本稿では,制約関数が未知で,最適化中にクエリできない場合に,制約付き最適化のためのデータ駆動フレームワークを提案する。各イテレーションにおいて、近傍のデータから局所的な代理を学習し、データ支援信頼領域内のサブプロブレムを解決する。オフラインのグローバル制約学習と比較して、この手法は、最適化中のデータ分散に適応し、グローバルモデルと同等のソリューション品質を実現するローカルサロゲートを使用する。
参考スコア（独自算出の注目度）: 1.511136328554983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose Dynamic Constraint Learning (DCL), a data-driven framework for constrained optimization when constraint functions are unknown and cannot be queried during optimization. At each iteration, the method learns a local surrogate from nearby data and solves a subproblem within a data-supported trust region. Compared with offline global constraint learning, the approach uses local surrogates that adapt to the data distribution during optimization and can achieve solution quality comparable to that of global models while using simpler local models and smaller optimization subproblems. We demonstrate the performance of DCL on a synthetic test problem and two case studies from the literature.
Abstract（参考訳）: 本稿では,制約関数が未知で,最適化中にクエリできない場合に,制約付き最適化のためのデータ駆動フレームワークであるDynamic Constraint Learning (DCL)を提案する。各イテレーションにおいて、近傍のデータから局所的な代理を学習し、データ支援信頼領域内のサブプロブレムを解決する。オフラインのグローバル制約学習と比較して、この手法は最適化中のデータ分布に適応するローカルサロゲートを使用し、より単純なローカルモデルとより小さな最適化サブプロブレムを使用しながら、グローバルモデルのそれと同等のソリューション品質を達成することができる。合成試験問題におけるDCLの性能と文献による2つのケーススタディについて述べる。

関連論文リスト

Multi-Objective Hierarchical Optimization with Large Language Models [41.41567058185742]
大規模言語モデル(LLM)は、多目的最適化を推進するための既定の選択肢ではない。本稿では,このギャップを,構造化階層型探索戦略内での代理モデルと候補サンプルとしてLLMを活用することで解決する。
論文参考訳（メタデータ） (2026-01-20T12:10:13Z)
Automated Optimization Modeling via a Localizable Error-Driven Perspective [20.591721861026414]
本稿では,自動最適化のための新しい誤り駆動学習フレームワークを提案する。 MINDはデータ合成からポストトレーニングまで、モデルトレーニングフレームワーク全体をカスタマイズした。 MINDは、最先端の自動化最適化モデリングアプローチを一貫して上回っている。
論文参考訳（メタデータ） (2026-01-17T09:59:01Z)
Heterogeneous Self-Supervised Acoustic Pre-Training with Local Constraints [64.15709757611369]
異種データを扱うための自己教師付き事前学習手法を提案する。提案手法は、下流の教師付き微調整タスクに対する自己教師付き事前訓練モデルの適応性を大幅に向上させることができる。
論文参考訳（メタデータ） (2025-08-27T15:48:50Z)
AFLoRA: Adaptive Federated Fine-Tuning of Large Language Models with Resource-Aware Low-Rank Adaption [3.805501490912696]
フェデレートされた微調整は、分散データを使用して下流タスクにファンデーションモデルを適用するための有望なアプローチとして現れている。大規模言語モデルのための適応的で軽量なファインチューニングフレームワークであるAFLoRAを提案する。
論文参考訳（メタデータ） (2025-05-30T16:35:32Z)
Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文参考訳（メタデータ） (2025-05-13T16:47:00Z)
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)
Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。私たちの目標は、進化の集団の収束を早めることです。
論文参考訳（メタデータ） (2024-05-09T13:44:04Z)
Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
拡散モデルを用いてデータ多様体内で最適化を行う。目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-02-28T03:09:12Z)
Scalable Distributional Robustness in a Class of Non Convex Optimization with Guarantees [7.541571634887807]
分散ロバスト最適化 (DRO) は, サンプルベース問題と同様に, 学習におけるロバスト性を示す。実世界における課題を解くのに十分ではない混合整数クラスタリングプログラム (MISOCP) を提案する。
論文参考訳（メタデータ） (2022-05-31T09:07:01Z)
Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文参考訳（メタデータ） (2020-02-20T15:00:54Z)
Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文参考訳（メタデータ） (2020-01-03T11:01:52Z)

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。