論文の概要: ORDO: Operation-level Round-aware Dynamic Ordering for MIP Presolve

• arxiv url: http://arxiv.org/abs/2610.11294v1
• Date: Thu, 08 Oct 2026 05:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.82208
• Title: ORDO: Operation-level Round-aware Dynamic Ordering for MIP Presolve
• Title（参考訳）: ORDO:MIPプリゾルブのための操作レベルラウンドアウェア動的順序付け
• Abstract要約: 我々は、統一された原子間相互作用空間上での自己回帰シーケンス生成として、事前解決計画を再考する。 我々は、このフレームワークをORDO---Operation-level Round-aware Dynamic Ordering for MIP Presolveと呼ぶ。
• 参考スコア（独自算出の注目度）: 3.1769671485082394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Presolve strongly affects mixed-integer programming (MIP) performance, yet learning-based methods only optimize parameter configurations and cannot express the non-commutative temporal dependencies among actions, whose default order is nearly unique on most domains, yet functionally necessary: artificially shuffling the order of the same sequence inflates the tail of the solve-time distribution by up to several-fold. We recast presolve planning as autoregressive sequence generation over a unified atomic action space, moving the decision object to action sequences; we call this framework ORDO---Operation-level Round-aware Dynamic Ordering for MIP Presolve. Its payoff is cross-domain generalization: on multiple unseen domains it attains end-to-end zero-shot speedup---to our knowledge the first for presolve action sequences---varying by domain and not explained by corpus richness, the strongest domain reaching the largest speedup once racing is added. Deployment uses sequence racing, in which candidate sequences run concurrently and the winner is kept, enabled by an execution-and-observation facility, added by modifying the SCIP source, that injects sequences along the native path and records which actions actually execute and in which round.
• Abstract（参考訳）: PresolveはMIP(mixed-integer Programming)のパフォーマンスに強く影響するが、学習ベースのメソッドはパラメータ設定を最適化するだけで、ほとんどのドメインでデフォルトの順序がほとんどユニークであるアクション間の非可換時間依存性を表現できない。 我々は、プリゾルブ計画を、統一されたアトミックアクション空間上で自己回帰シーケンス生成として再キャストし、決定対象をアクションシーケンスに移動させ、このフレームワークをORDO--Operation-level Round-aware Dynamic Ordering for MIP Presolveと呼ぶ。 複数の未確認領域において、エンド・ツー・エンドのゼロショット・スピードアップを達成する—— ドメインによって異なるが、コーパス・リッチネスによって説明されない——私たちの知る限り、レースが加えられると最大のスピードアップに達する最強のドメインである。 SCIPソースを変更し、ネイティブパスに沿ってシーケンスを注入し、どのアクションが実際に実行され、どのラウンドで実行されるかを記録する。

関連論文リスト

• Preference-Drift-Aware Subsequence Learning and Hierarchical Context Fusion for Long-Sequence Generative Recommendation [20.33597628832828]
  時系列生成レコメンデーション手法は、ユーザのインタラクションシーケンスを自己回帰的にモデル化し、次のitem表現を生成する。 既存の手法は、効率的なフルシーケンスモデリングとターゲット認識コンテキスト検索の2つのカテゴリに分類される。 提案手法は,長文生成推薦のための優先区切り型サブシーケンス学習と階層型コンテキスト融合である。
  論文  参考訳（メタデータ） (2026-09-11T08:01:29Z)
• Dynamic Multi-Agent Pickup and Delivery in Robotic Cellular Warehousing Systems [22.24730497517011]
  この手紙は、内部秩序の進化を考慮した動的マルチエージェントピックアップとデリバリの問題を初めて定式化したものである。 トークンパスパラダイムに基づいて、2つのイベントトリガー付きオンラインリプランニングアルゴリズムを提案する。 提案手法は, 静的および非協調的ベースラインと比較して, オーダーフロー時間を大幅に削減する。
  論文  参考訳（メタデータ） (2026-06-04T03:50:31Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors [57.944744187489185]
  外部修正をネイティブなアンマスクに置き換えるDiscreteRTCを提案する。 DiscreteRTCは、非同期のインペインティングのために0行のコードを実装するのが簡単で、スクラッチから生成したアクションに比べてわずか0.7倍の計算速度で推論が高速で、フローベースのRTCに比べて実世界の動的ピックタスクの成功率が50%向上した。
  論文  参考訳（メタデータ） (2026-04-27T23:04:03Z)
• Real-Time Robot Execution with Masked Action Chunking [38.37108371991901]
  ロボットのようなサイバー物理システムにはリアルタイム実行が不可欠である。 近年,リアルタイムロボット操作のためのシステムレベルのパラダイムとして,非同期推論が登場している。 本稿では,マスクされたアクションチャンキングによって事前訓練されたポリシーの修正を学習するREMACを提案する。
  論文  参考訳（メタデータ） (2026-01-27T23:48:32Z)
• Listwise Preference Diffusion Optimization for User Behavior Trajectories Prediction [41.53271688465831]
  ユーザ行動軌跡予測(UBTP)を,長期ユーザの嗜好を明示的にモデル化するタスク設定として定式化する。 項目列全体に対して構造化された嗜好を直接最適化する拡散に基づくトレーニングフレームワークであるリスワイズ・ディフュージョン・最適化(LPDO)を導入する。 多段階の予測品質を厳密に評価するために、正確な軌跡合意を計測するタスク特異的な逐次マッチング(SeqMatch)を提案し、確率的忠実度を評価するパープレキシティ(PPL)を採用する。
  論文  参考訳（メタデータ） (2025-11-01T12:16:24Z)
• Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling [57.708486655254966]
  遅延ストリームモデリングはシーケンス対シーケンス学習のための柔軟な定式化である。 任意の入力の組み合わせから任意の出力シーケンスのストリーミング推論を提供する。
  論文  参考訳（メタデータ） (2025-09-10T16:43:01Z)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)

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。