Fugu-MT 論文翻訳(概要): Bellman Error Minimization Via Linear Programming Normalization

論文の概要: Bellman Error Minimization Via Linear Programming Normalization

arxiv url: http://arxiv.org/abs/2610.02730v1
Date: Fri, 02 Oct 2026 03:05:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.175831
Title: Bellman Error Minimization Via Linear Programming Normalization
Title（参考訳）: 線形計画正規化によるベルマン誤差最小化
Abstract要約: 本稿では、ディープニューラルネットワークと線形プログラミング近似アルゴリズムを組み合わせることで、動的プログラミング問題に対する近似解を導出できることを示す。シミュレーションの結果,提案した近似アルゴリズムは,ベンチマークと比較すると競争性能が向上することがわかった。
参考スコア（独自算出の注目度）: 4.36572039512405
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a new functional approximation approach to reduce Bellman error in high-dimensional dynamic programming and Reinforcement Learning problems. Using a classic dynamic programming problem (network capacity control in revenue management) as the motivational example, the paper illustrates that deep neural networks and linear programming approximation algorithms can be combined to derive approximate solutions to dynamic programming problems. Simulation results show the proposed approximation algorithms achieves competitive performance when compared with benchmark.
Abstract（参考訳）: 本稿では,高次元動的プログラミングおよび強化学習問題におけるベルマン誤差を低減するための関数近似手法を提案する。従来の動的プログラミング問題(収益管理におけるネットワーク容量制御)をモチベーションの例として用いて、ディープニューラルネットワークと線形プログラミング近似アルゴリズムを組み合わせることで、動的プログラミング問題に対する近似解を導出できることを示す。シミュレーションの結果,提案した近似アルゴリズムは,ベンチマークと比較すると競争性能が向上することがわかった。

関連論文リスト

Learning to Approximate Uniform Facility Location via Graph Neural Networks [45.627700504265086]
近似アルゴリズムの原理を組み込んだ完全微分可能なMPNNモデルを開発した。提案手法は,ソリューションの品質の観点から,標準的な非学習近似アルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2026-02-13T18:08:23Z)
Optimal Control Theoretic Neural Optimizer: From Backpropagation to Dynamic Programming [29.911180907218053]
本稿では,ディープニューラルネットワーク(DNN)の最適化に関するアルゴリズム的視点に焦点を当てる。我々の動機付けされた観測は、DNNの勾配計算のためのバックプロパゲーションアルゴリズムと力学系における最適条件との顕著なアルゴリズム的類似性である。最適制御ニューラル理論 (OCNOpt) と呼ばれる結果の物理は、豊かなアルゴリズムの機会を与える。
論文参考訳（メタデータ） (2025-10-15T23:39:51Z)
Bundle Network: a Machine Learning-Based Bundle Method [5.611428210450043]
本稿では,非滑らかな問題に対して,Bundle Methodに着想を得た学習ベースアルゴリズムである Bundle Network を提案する。アンロールされた計算グラフを活用することで、Bundle Networkは自動微分によってエンドツーエンドでトレーニングすることができます。
論文参考訳（メタデータ） (2025-09-29T12:59:49Z)
(Un)supervised Learning of Maximal Lyapunov Functions [0.4910937238451484]
我々は、(最大)リャプノフ関数の普遍近似器であることが証明された新しいニューラルネットワークアーキテクチャを設計する。我々は、動的制約を伴う教師なし最適化問題として、リアプノフ関数を訓練する問題を定式化する。提案手法は,アトラクションの近似領域の精度において,最先端の代替品と一致するか,より優れているかを示す。
論文参考訳（メタデータ） (2024-08-30T12:40:12Z)
Solving a class of stochastic optimal control problems by physics-informed neural networks [0.0]
本研究の目的は,ハミルトン・ヤコビ・ベルマン方程式と物理インフォームドラーニングに基づく高次元制御問題の解法を開発することである。本稿では,複数の出力を持つ分離ニューラルネットワークを用いて,フィードバック制御と値関数のパラメータ化を行う。
論文参考訳（メタデータ） (2024-02-23T20:19:06Z)
Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文参考訳（メタデータ） (2022-09-15T07:22:58Z)
Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
論文参考訳（メタデータ） (2022-06-01T10:35:29Z)
Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-06T13:18:31Z)
A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文参考訳（メタデータ） (2021-06-09T09:18:18Z)
Logistic Q-Learning [87.00813469969167]
MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
論文参考訳（メタデータ） (2020-10-21T17:14:31Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。