論文の概要: CG4AI: A Column Generation Framework for Training AI Models Under Constraints

• arxiv url: http://arxiv.org/abs/2608.26375v1
• Date: Wed, 26 Aug 2026 20:00:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.169286
• Title: CG4AI: A Column Generation Framework for Training AI Models Under Constraints
• Title（参考訳）: CG4AI - 制約下でAIモデルをトレーニングするための列生成フレームワーク
• Authors: Youcef Magnouche, Abderrahmane Driouch, Sébastien Martin, Pierre Bauguion,
• Abstract要約: CG4AIはAIモデルの凸結合を構築し、組合せ出力に線形制約を課す。 カットプレーンプロシージャは、トレーニングセットを超えて実現可能性を保証する。 MNISTと標準SNDLIBベンチマークネットワークの実験は、CG4AIが確実に実現可能な予測器を生成することを示している。
• 参考スコア（独自算出の注目度）: 0.9449650062296824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard machine-learning training minimizes a loss function over a dataset, but does not guarantee that the resulting model will satisfy predefined rules or constraints on its outputs. In many real-world applications, ranging from autonomous systems to network routing, such guarantees are essential. We propose CG4AI, a framework that builds a convex combination of AI models while enforcing linear constraints on the combined output. A master linear program (LP) determines the optimal mixture weights, while a pricing subproblem generates new models guided by LP dual variables, focusing attention on the most violated constraints. A cutting-plane procedure extends feasibility guarantees beyond the training set. We apply CG4AI to two problems: (i) digit classification on MNIST, where we demonstrate four distinct uses of constraints, learning from constraints alone, improving adversarial robustness, correcting misclassified examples, and enforcing output relabeling; and (ii) the multi-commodity flow problem, where link capacity constraints are enforced on neural-network routing predictors. Experiments on MNIST and standard SNDLIB benchmark networks show that CG4AI reliably produces feasible predictors while achieving better accuracy than single-model baselines.
• Abstract（参考訳）: 標準的な機械学習トレーニングは、データセット上の損失関数を最小限にするが、結果のモデルがその出力に対して事前に定義されたルールや制約を満たすことを保証しない。 自律システムからネットワークルーティングまで、多くの現実世界のアプリケーションでは、このような保証が不可欠である。 本稿では,AIモデルの凸結合を構築するフレームワークであるCG4AIを提案する。 マスター線形プログラム(LP)は最適混合重量を決定する一方、価格サブプロブレムはLP双対変数で導かれる新しいモデルを生成し、最も違反した制約に注意する。 カットプレーンプロシージャは、トレーニングセットを超えて実現可能性を保証する。 CG4AIを2つの問題に適用する。 i)MNIST上の桁分類。ここでは、制約の4つの異なる利用、制約のみからの学習、敵の堅牢性の向上、誤分類例の修正、出力延長の実施、 (2)ニューラルネットワークルーティング予測器にリンク容量の制約を課すマルチコモディティフロー問題。 MNISTおよび標準SNDLIBベンチマークネットワークの実験により、CG4AIは単一のモデルベースラインよりも精度が高く、確実な予測器を確実に生成することが示された。

関連論文リスト

• Amortized Nonlinear Model Predictive Control [3.2228025627337864]
  最適制御は、現在の状態と参照に依存するコストパラメータを持つ状態依存二次プログラム(QP)によって近似できることを示す。 カーテシアンエンドエフェクタートラッキングを用いた3リンク平面ロボットアームのアプローチを検証し,NLPソルバ上でのオーダー・オブ・マグニチュード・スピードアップを実証した。
  論文  参考訳（メタデータ） (2026-06-04T08:15:23Z)
• Enhancing Reinforcement Learning Fine-Tuning with an Online Refiner [15.619469979987429]
  強化学習微調整(RFT)の安定化と退化の防止には制約が不可欠である。 微調整モデルの進化能力に適応するテクスチャ力学的制約を提案する。 対話とコード生成の実験は、動的制約がKL正規化と非制約ベースラインの両方より優れていることを示している。
  論文  参考訳（メタデータ） (2026-03-18T08:37:31Z)
• GRAFT: Decoupling Ranking and Calibration for Survival Analysis [12.400774220062303]
  GRAFT(英語版)は、校正から予後を分離する新しい AFT モデルである。 GRAFTのハイブリッドアーキテクチャは、線形AFTモデルと非線形残留ニューラルネットワークを組み合わせるとともに、自動的なエンドツーエンドの特徴選択のためのゲートを統合する。 公的なベンチマークでは、GRAFTは差別とキャリブレーションにおいてベースラインよりも優れ、高ノイズ環境では頑丈でスパースである。
  論文  参考訳（メタデータ） (2026-02-08T09:32:24Z)
• MERGETUNE: Continued fine-tuning of vision-language models [77.8627788911249]
  微調整視覚言語モデル(VLM)は、しばしば事前訓練された知識を破滅的に忘れてしまう。 ゼロショットモデルに適応した後に事前学習した知識を回復するための新しいパラダイムである連続微調整(CFT)を導入する。
  論文  参考訳（メタデータ） (2026-01-15T15:15:53Z)
• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。