論文の概要: Generation of Custom Solvers in Rust for Convex Optimization

• arxiv url: http://arxiv.org/abs/2609.13875v1
• Date: Sat, 12 Sep 2026 11:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.596823
• Title: Generation of Custom Solvers in Rust for Convex Optimization
• Title（参考訳）: 凸最適化のためのRustにおけるカスタムソルバーの生成
• Abstract要約: cvxgenrustは、CVXPYでモデル化された凸最適化問題を解決する、独自のRustコードを生成するオープンソースツールである。 cvxgenrustは問題ファミリを標準化し、Clarabelのconeプログラムデータにアフィンマップを抽出し、パラメータを更新して実行時にClarabelを呼び出す特別なRustクレートを生成する。
• 参考スコア（独自算出の注目度）: 9.272977870242562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce cvxgenrust, an open-source tool for generating custom Rust code that solves families of parameterized convex optimization problems modeled in CVXPY. cvxgenrust canonicalizes a problem family, extracts affine maps to Clarabel cone-program data, and generates a specialized Rust crate that updates parameters and calls Clarabel natively at runtime. The generated solver can also be exposed to Python and registered as a custom CVXPY solver. Our code generator supports a wide range of convex optimization problems up to semidefinite programs and exponential-cone problems. Numerical experiments show reduced runtime relative to direct CVXPY solves and performance comparable to CVXPYgen on shared problem classes.
• Abstract（参考訳）: 我々は,CVXPYでモデル化されたパラメータ化凸最適化問題のファミリーを解決する,独自のRustコードを生成するオープンソースツールであるcvxgenrustを紹介した。 cvxgenrustは問題ファミリを標準化し、Clarabelのconeプログラムデータにアフィンマップを抽出し、パラメータを更新し、実行時にClarabelをネイティブに呼び出す特別なRustクレートを生成する。 生成されたソルバをPythonに公開して,独自のCVXPYソルバとして登録することもできる。 コードジェネレータは半定値プログラムと指数錐問題まで幅広い凸最適化問題をサポートしている。 数値実験により,共有問題クラス上でのCVXPYgenに匹敵する直接CVXPYの解法と性能に対して,実行時間が短縮された。

関連論文リスト

• Sliding Window Recurrences for Sequence Models [85.49118834785435]
  線形リカレンスのための階層分解フレームワークを導入し,GPUメモリ階層に整合したアルゴリズムを開発できるようにする。 我々は、ハードウェア対応のウィンドウへの繰り返しをトラッピングすることに特化しており、これは自然にジャグリングされ、ワープ間通信のコストを抑えている。 我々は,窓面の注意や線形再発の代替となるPhalanx層を開発した。
  論文  参考訳（メタデータ） (2025-12-15T21:53:17Z)
• Disciplined Biconvex Programming [9.272977870242562]
  本稿では,バイコンピュート処理問題の解法を特定するための規律付きバイプログラミング(DBCP)を提案する。 バイ最適化問題は、機械学習信号や科学、制御など、さまざまな応用で発生する。
  論文  参考訳（メタデータ） (2025-11-03T18:20:03Z)
• Sparsity-Constraint Optimization via Splicing Iteration [1.3622424109977902]
  我々は sPlicing itEration (SCOPE) を用いたスペーサリティ制約最適化アルゴリズムを開発した。 SCOPEはパラメータをチューニングせずに効率的に収束する。 SCOPEを用いて2次最適化を解き、スパース分類器を学習し、バイナリ変数のスパースマルコフネットワークを復元する。 C++実装に基づいたオープンソースのPythonパッケージskscopeがGitHubで公開されている。
  論文  参考訳（メタデータ） (2024-06-17T18:34:51Z)
• A Near-Optimal Single-Loop Stochastic Algorithm for Convex Finite-Sum Coupled Compositional Optimization [53.14532968909759]
  ALEXRと呼ばれる,効率的な単ループプリマル・デュアルブロック座標アルゴリズムを提案する。 本研究では, ALEXR の凸面および強凸面の収束速度を滑らか性および非滑らか性条件下で確立する。 CFCCO の ROC 曲線の下での GDRO および部分領域の実験結果から,提案アルゴリズムの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-12-04T19:00:07Z)
• CORE: Common Random Reconstruction for Distributed Optimization with Provable Low Communication Complexity [110.50364486645852]
  コミュニケーションの複雑さは、トレーニングをスピードアップし、マシン番号をスケールアップする上で、大きなボトルネックになっています。 本稿では,機械間で送信される情報を圧縮するための共通Om REOmを提案する。
  論文  参考訳（メタデータ） (2023-09-23T08:45:27Z)
• NCVX: A General-Purpose Optimization Solver for Constrained Machine and Deep Learning [2.1485350418225244]
  NCVXは制約付きマシン/ディープ学習問題のための新しいソフトウェアパッケージである。 PyTorchから自動微分、GPUアクセラレーション、テンソル変数を継承する。
  論文  参考訳（メタデータ） (2022-10-03T14:41:26Z)
• Fast Convex Optimization for Two-Layer ReLU Networks: Equivalent Model Classes and Cone Decompositions [47.276004075767176]
  ReLUアクティベーション機能を持つ2層ニューラルネットワークの凸最適化のためのソフトウェアを開発した。 本稿では,凸ゲート型ReLUモデルにおいて,ReLUトレーニング問題に対するデータ依存アルゴリズムが得られたことを示す。
  論文  参考訳（メタデータ） (2022-02-02T23:50:53Z)
• Implicit differentiation for fast hyperparameter selection in non-smooth convex learning [87.60600646105696]
  内部最適化問題が凸であるが非滑らかである場合の一階法を研究する。 本研究では, ヤコビアンの近位勾配降下と近位座標降下収率列の前方モード微分が, 正確なヤコビアンに向かって収束していることを示す。
  論文  参考訳（メタデータ） (2021-05-04T17:31:28Z)
• Chook -- A comprehensive suite for generating binary optimization problems with planted solutions [0.4721851604275369]
  Chook(チョーク)は、チューナブルな複雑性の個別の最適化問題を、事前の既知のソリューションで生成するツールである。 Chookは、ソリューションの植え付けのためのクロスプラットフォームの統合環境を提供する。 様々なプランティングスキームと調整可能な硬度のサポートにより、ユーザは様々なグラフトポロジで幅広い複雑さの問題を発生させることができる。
  論文  参考訳（メタデータ） (2020-05-28T15:55:38Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。