Fugu-MT 論文翻訳(概要): Learn Feasibility Once, Optimize All Objectives: Derivative-Free Diffusion Models for Chance-Constrained Programming

論文の概要: Learn Feasibility Once, Optimize All Objectives: Derivative-Free Diffusion Models for Chance-Constrained Programming

arxiv url: http://arxiv.org/abs/2610.03071v1
Date: Fri, 02 Oct 2026 09:56:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.31154
Title: Learn Feasibility Once, Optimize All Objectives: Derivative-Free Diffusion Models for Chance-Constrained Programming
Title（参考訳）: フィージビリティを一度学習し、すべての目的を最適化する: チャンス制約付きプログラミングのための微分自由拡散モデル
Abstract要約: CCP(Chancetext-Constrained Program)は、確率違反と呼ばれる不確実性に基づく決定を最適化する。我々はtextbfDifDerivative-free textbfDerivative text3$ を提案する。
参考スコア（独自算出の注目度）: 18.37646187778837
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Chance-constrained programs (CCPs) optimize decisions under uncertainty by limiting the probability of constraint violation. Despite advances in traditional and learning-based approaches, optimizing non-convex or non-smooth objectives and adapting to different objectives under fixed chance constraints remain challenging. In this paper, we propose a \textbf{D}erivative-free \textbf{D}iffusion-based framework that \textbf{D}isentangles constraint modeling from objective optimization, termed \textbf{D$^3$Opt}. We learn the chance-feasible structure once, independently of any particular objective, by training a risk-conditioned diffusion model solely on constraint-filtered decisions and freezing it as a reusable prior for post-specified objectives. At inference time, we propose an annealed, particle-based Feynman--Kac correction along the frozen reverse diffusion process to optimize post-specified objectives using only function evaluations. This enables derivative-free optimization of non-convex and non-smooth objectives without objective-specific retraining. We prove that the correction preserves feasibility when this property holds for the frozen prior, and derive an optimization-error bound separating learned-prior coverage, finite-particle approximation, and finite-temperature effects. Experiments on linear Gaussian CCPs, objective-transfer tasks, and chance-constrained economic dispatch demonstrate effective optimization across smooth and non-smooth objectives, including non-convex cases, and objective generalization under fixed chance constraints without retraining.
Abstract（参考訳）: CCP(Chance-Constrained Program)は、制約違反の確率を制限することによって不確実性の下での意思決定を最適化する。伝統と学習に基づくアプローチの進歩にもかかわらず、非凸や非滑らかな目的を最適化し、固定確率制約の下で異なる目的に適応することは依然として困難である。本稿では、目的最適化から制約モデリングを制約する、自由な \textbf{D}iffusion-based framework を提案し、これを \textbf{D}iffusion-based framework、すなわち \textbf{D}isentangles と呼ぶ。我々は、リスク条件付き拡散モデルを制約付き決定のみに基づいて訓練し、特定後の目的に対する再利用可能な事前として凍結することにより、特定の目的によらず、チャンス実現可能な構造を一度学習する。推定時, 凍結逆拡散過程に沿って, 熱処理した粒子ベースのFeynman-Kac補正を提案し, 関数評価のみを用いて, 特定後の目的を最適化する。これにより、非凸および非滑らかな目的の微分自由最適化を、客観的な再訓練なしに実現できる。この補正は, 凍結前の特性が保たれた場合に実現可能であることを証明し, 学習最優先カバレッジ, 有限粒子近似, 有限温度効果の最適化誤差を導出する。線形ガウスCCP, 客観移動タスク, チャンス制約付き経済派遣実験は, 非凸ケースを含む滑らかで平滑な目的と, 再訓練を伴わない固定確率制約下での客観的一般化を効果的に最適化することを示した。

関連論文リスト

Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
論文参考訳（メタデータ） (2026-05-09T15:30:52Z)
Aligning Latent Spaces with Flow Priors [72.24305287508474]
本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
論文参考訳（メタデータ） (2025-06-05T16:59:53Z)
Online Decision-Focused Learning [74.3205104323777]
意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
論文参考訳（メタデータ） (2025-05-19T10:40:30Z)
From Data to Uncertainty Sets: a Machine Learning Approach [5.877778007271621]
我々は、堅牢な最適化を活用し、機械学習モデルの出力の不確実性に対する制約を保護する。我々は違反の可能性を強く保証する。合成計算実験では、この手法は他の手法よりも1桁小さい半径を持つ不確実性集合を必要とする。
論文参考訳（メタデータ） (2025-03-04T01:30:28Z)
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)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
Score Function Gradient Estimation to Widen the Applicability of Decision-Focused Learning [17.962860438133312]
決定中心学習(DFL)パラダイムは、例えば後悔など、タスク損失を直接最小化するためのトレーニングによって制限を克服する。そこで我々は,このような仮定をせずに,任意のタスク損失に作用するスコア関数推定とスムースに組み合わせた代替手法を提案する。実験の結果、一般的に多くのエポックを必要とするが、専門的な手法と同等であり、特にソリューションの品質、スケーラビリティ、あるいはその両方の観点から、制約の不確実性に悩む問題に対して、特にうまく機能していることが示されている。
論文参考訳（メタデータ） (2023-07-11T12:32:13Z)
Rockafellian Relaxation and Stochastic Optimization under Perturbations [0.056247917037481096]
我々は、ロカフェル緩和に基づく楽観的なフレームワークを開発し、最適化は元の決定空間だけでなく、モデルの選択と共同で行われる。この枠組みは、厳密かつ厳密なロックフェリアンの新たな概念に焦点を合わせ、特定の設定で否定的な「正規化」の解釈が現れる。
論文参考訳（メタデータ） (2022-04-10T20:02:41Z)
Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。このアプローチは多くの実装と最適化の課題をもたらします。提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文参考訳（メタデータ） (2021-03-18T14:26:26Z)
FISAR: Forward Invariant Safe Reinforcement Learning with a Deep Neural Network-Based Optimize [44.65622657676026]
Lyapunov関数として制約を取り、ポリシーパラメータの更新ダイナミクスに新たな線形制約を課す。新しい保証可能な制約が元のポリシーパラメータの代わりに動的に更新されるため、古典的な最適化アルゴリズムはもはや適用されない。
論文参考訳（メタデータ） (2020-06-19T21:58:42Z)

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。