論文の概要: Self-Supervised Tuning of Low-Fidelity Optimization Models via High-Fidelity Feedback

• arxiv url: http://arxiv.org/abs/2610.28851v1
• Date: Tue, 20 Oct 2026 19:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.13239
• Title: Self-Supervised Tuning of Low-Fidelity Optimization Models via High-Fidelity Feedback
• Title（参考訳）: 高忠実度フィードバックによる低忠実度最適化モデルの自己教師付きチューニング
• Abstract要約: 低忠実度(LF)最適化モデルは、効率よく確実に解けるため、大規模演算に広く用いられている。 高忠実度(HF)の定式化に対する体系的な誤りをしばしば示し、物理的な制約や運用上の制約をよりよく捉えている。 本稿では,HFフィードバックから直接LF最適化モデルをパラメータ化する自己教師型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.467603156957439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-fidelity (LF) optimization models are widely used in large-scale operations because they can be solved efficiently and reliably, but they often exhibit systematic errors relative to high-fidelity (HF) formulations that better capture physical and operational constraints. Existing learning-based approaches typically rely on supervised or semi-supervised training with HF solutions, which are expensive to compute and may not align with HF operational objectives. We propose a self-supervised framework that parameterizes LF optimization models directly from HF feedback. The low-fidelity problem is embedded as a differentiable optimization layer and trained end-to-end, while a HF correction problem evaluates its solution and provides gradient information through its dual variables, without requiring HF solution labels. We evaluate the framework on optimal power flow, optimal gas flow, and pooling problems, spanning different sources of low- and high-fidelity mismatch. Across all three applications, the self-supervised approach improves objective quality and feasibility over untuned LF models and generally outperforms semi-supervised training. The learned parameterizations also generalize to unseen operating conditions and, for network applications with up to 30,000 nodes, to systems not encountered during training.
• Abstract（参考訳）: 低忠実度(LF)最適化モデルは、効率よくかつ確実に解けるため、大規模運用において広く用いられているが、物理的および運用上の制約をよりよく捉えた高忠実度(HF)の定式化に対する体系的な誤りを示すことが多い。 既存の学習ベースのアプローチは一般的に、HFソリューションによる教師付きまたは半教師付きトレーニングに依存している。 本稿では,HFフィードバックから直接LF最適化モデルをパラメータ化する自己教師型フレームワークを提案する。 低忠実度問題は、微分可能な最適化層と訓練されたエンドツーエンドとして組み込まれ、一方HF補正問題は、HFソリューションラベルを必要とせず、その解を評価し、その双対変数を通して勾配情報を提供する。 我々は, 最適潮流, 最適ガス流, プール問題に関する枠組みを, 低密度および高密度のミスマッチの異なる源にまたがって評価した。 これら3つのアプリケーション全体にわたって、自己教師付きアプローチは、未調整のLFモデルよりも客観的な品質と実現可能性を改善し、概して半教師付きトレーニングを上回っている。 学習されたパラメータ化は、未確認の動作条件や、最大30,000ノードのネットワークアプリケーションに対して、トレーニング中に遭遇しないシステムにも一般化される。

関連論文リスト

• Sample-Efficient Pareto Front Modeling for Energy-Aware Reinforcement Learning Using Bayesian Optimization [0.40831821256838124]
  この研究は、最適なトレードオフポリシーを見つけるために、ウェイトセレクションプロセスを自動化するという課題に対処する。 重み選択過程を多目的ベイズ最適化(MOBO)問題として定式化する。 1-DoFピッチ制御のための物理クアンサー・エアロ2テストベッドを用いて,本実験の結果から,望まれる超体積改善(qEHVI)獲得関数を用いたMOBOアプローチが一様グリッドサンプリングより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-03T09:28:50Z)
• A Curriculum-Based Deep Reinforcement Learning Framework for the Electric Vehicle Routing Problem [0.4666493857924357]
  EVRPTW(Electric Vehicle routing problem with Time Window)は、持続可能なロジスティクスにおいて複雑な最適化問題である。 この不安定性を解決するために,カリキュラムベースの深層強化学習(CB-DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-21T14:42:33Z)
• Hephaestus: Mixture Generative Modeling with Energy Guidance for Large-scale QoS Degradation [44.97875113025023]
  本稿では,QoSD(Quality of Service Degradation)問題について考察する。 非線形エッジウェイト関数の下では、RefineD問題に直接対処する先行モデルは存在しない。 この研究は、潜在空間における実現可能な解を合成する自己強化フレームワークであるPIMMAを提案する。
  論文  参考訳（メタデータ） (2025-10-19T22:48:35Z)
• Learning Reward and Policy Jointly from Demonstration and Preference Improves Alignment [58.049113055986375]
  我々は、報酬モデルとポリシーをトレーニングするために、AIHF(Alignment with Integrated Human Feedback)と呼ばれる単一ステージアプローチを開発する。 提案した手法は、一般的なアライメントアルゴリズムに容易に還元し、活用できる、効率的なアルゴリズムの集合を認めている。 本研究では,LLMにおけるアライメント問題と,MuJoCoにおけるロボット制御問題を含む広範な実験により,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-06-11T01:20:53Z)
• SuperHF: Supervised Iterative Learning from Human Feedback [20.22920163075946]
  我々は,大規模言語モデル,Supervised Fine-Tuning (SFT) とReinforcement Learning from Human Feedback (RLHF) の2つの一般的な手法に着目した。 両手法の強みを生かした新しい手法であるSupervised Iterative Learning from Human Feedback (SuperHF)を提案する。 実験の結果,SuperHF は PPO ベースの RLHF を超え,高い報酬を低報酬ハッキングで容易にかつ好意的に取り除き,下流校正を改善し,GPT-4 ベースの定性評価スキームでも同様に実施し,実装は極めて簡単であった。
  論文  参考訳（メタデータ） (2023-10-25T16:52:00Z)
• Direct Preference Optimization: Your Language Model is Secretly a Reward Model [119.65409513119963]
  本稿では,RLHFにおける報酬モデルの新たなパラメータ化について紹介する。 DPO(Direct Preference Optimization)と呼ばれる結果のアルゴリズムは、安定的で、性能が高く、計算的にも軽量である。 我々の実験は、DPOが人間の好みに合わせて微調整できるだけでなく、既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-29T17:57:46Z)
• Use of low-fidelity models with machine-learning error correction for well placement optimization [1.14219428942199]
  低忠実度(LF)モデルを用いてシミュレーションを行う最適化フレームワークを提案する。 木に基づく機械学習手法,特にランダムフォレストと光勾配促進機を適用した。 3次元バイモーダル水路モデルにおける鉛直坑井の設置に関する2つの事例について検討した。
  論文  参考訳（メタデータ） (2021-10-30T19:21:54Z)

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。