論文の概要: EnerGNN: Learning Optimization-Compatible Energy Functions for Exact Constrained Combinatorial Inference

• arxiv url: http://arxiv.org/abs/2610.33930v1
• Date: Sat, 24 Oct 2026 21:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.486115
• Title: EnerGNN: Learning Optimization-Compatible Energy Functions for Exact Constrained Combinatorial Inference
• Title（参考訳）: EnerGNN: Exact Constrained Combinatorial Inferenceのための最適化互換エネルギー関数の学習
• Abstract要約: EnerGNNは完全なバイナリ構成でエネルギー関数を学習するフレームワークである。 混合整数プログラミング(MIP)により、明示的な厳密な制約の下でそれらを最小化する。 EnerGNNは100%実現可能な準最適解を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-based approaches to combinatorial optimization often predict solutions directly or use predictions to restrict search, while expressive energy-based models typically rely on approximate inference. We introduce EnerGNN, a framework that learns energy functions over complete binary configurations and minimizes them under explicit hard constraints through mixed integer programming (MIP). EnerGNN combines a graph neural network encoder with an optimization-compatible readout and a nonlinear energy head, enabling exact constrained inference over the learned energy. An optimality-aware contrastive loss trains the energy to reflect solution quality and constraint violations. Across Quadratic Knapsack, Combinatorial Auctions, and a personalized cell therapy supply chain problem, EnerGNN achieves near-optimal solutions with 100% feasibility. On the supply chain problem, it achieves a 0.05% mean primal gap and a 17.4$\times$ speedup over the monolithic MIP. The learned energy also generalizes to larger instances and supports zero-shot constraint injection, adapting to changing constraints without retraining while preserving feasibility.
• Abstract（参考訳）: 組合せ最適化の学習に基づくアプローチは、しばしば解を直接予測したり、探索を制限するために予測を使用する。 EnerGNNは、完全なバイナリ構成でエネルギー関数を学習し、混合整数プログラミング(MIP)を通して明示的な制約の下でそれらを最小化するフレームワークである。 EnerGNNは、グラフニューラルネットワークエンコーダと最適化互換のリードアウトと非線形エネルギーヘッドを組み合わせることで、学習したエネルギーに対する正確な制約付き推論を可能にする。 最適性に配慮した対照的な損失は、ソリューションの品質と制約違反を反映するエネルギーを訓練する。 Quadratic Knapsack、 Combinatorial Auctions、そしてパーソナライズされた細胞治療サプライチェーン問題を含むEnerGNNは、100%実現可能なほぼ最適ソリューションを実現している。 サプライチェーン問題では、0.05%の平均的原始的ギャップと、モノリシックMIPよりも17.4$\times$スピードアップを達成する。 学習エネルギーはより大きなインスタンスにも一般化され、ゼロショット制約注入をサポートし、実行可能性を維持しながら再トレーニングすることなく制約の変更に適応する。

関連論文リスト

• Designing Active Tether-Net Systems for Space Debris Capture with Graph-Learning-Aided Mixed-Combinatorial Optimization [8.22669567374754]
  本稿では,テザネットシステムの複雑で制約付き非線形最適化問題について検討する。 グラフニューラルネットワーク(GNN)は、グラフ内のノードとして表される(上記の)候補の組み合わせと、入力として与えられる候補の連続変数ベクトル部分とをスコアするために訓練される。 その結果、MCNLP最適化はNLPに還元され、標準解法を用いて解ける。
  論文  参考訳（メタデータ） (2026-05-27T19:19:42Z)
• A Neural Network Framework for Discovering Closed-form Solutions to Quadratic Programs with Linear Constraints [2.064612766965483]
  ディープニューラルネットワーク(DNN)は、多くのアプリケーションで複雑な最適化問題をモデル化するために使われてきた。 大規模なデータセットでトレーニングされているにも関わらず、ソリューションの最適性と実現性を保証するのは難しい。 本稿では,線形制約のある二次プログラムに対して,厳密な閉形式解を求めるNNモデリング手法と学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-27T18:11:44Z)
• Don't Be Greedy, Just Relax! Pruning LLMs via Frank-Wolfe [61.68406997155879]
  State-of-the-art Large Language Model (LLM) プルーニング手法は階層的に動作し、階層ごとのプルーニングエラーを最小限に抑え、完全な再トレーニングを回避する。 既存の手法は、刈り上げ対象の重量相互作用を無視する欲求凸に依存する。 提案手法は, 層ごとのプルーニング誤差を大幅に低減し, 最先端のGPTアーキテクチャにおいて高いベースラインを達成し, メモリ効率を保っている。
  論文  参考訳（メタデータ） (2025-10-15T16:13:44Z)
• Localized Physics-informed Gaussian Processes with Curriculum Training for Topology Optimization [3.6352820455705372]
  物理インフォームドガウス過程(GP)に基づく同時かつメッシュフリーなトポロジー最適化(TO)フレームワークを提案する。 我々のフレームワークは、カスタマイズされたディープニューラルネットワーク(DNN)を介してパラメータ化される共有のマルチアウトプット平均関数を持つGPプリエントを介して、すべての設計と状態変数を提供する。 我々のTOアプローチは、適切に定義された材料インターフェースを生成し、グローバルな最適性を促進するための継続特性を内蔵している。
  論文  参考訳（メタデータ） (2025-03-18T22:59:16Z)
• Annealing Machine-assisted Learning of Graph Neural Network for Combinatorial Optimization [2.0643665408482517]
  Annealing Machines (AM) は複雑な問題を解決する能力の増大を示している。 グラフニューラルネットワーク(GNN)は最近、問題解決に適応している。 本稿では,AMが提示する精度とGNNの表現の柔軟性とスケーラビリティを両立することを目的としたマージ手法を提案する。
  論文  参考訳（メタデータ） (2025-01-10T10:36:46Z)
• Enhancing GNNs Performance on Combinatorial Optimization by Recurrent Feature Update [0.09986418756990156]
  本稿では,組合せ最適化(CO)問題を効率よく解くために,GNNのパワーを活用して,QRF-GNNと呼ぶ新しいアルゴリズムを提案する。 QUBO緩和による損失関数の最小化による教師なし学習に依存している。 実験の結果、QRF-GNNは既存の学習ベースアプローチを大幅に上回り、最先端の手法に匹敵することがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:34:35Z)
• Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
  ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。 これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。 本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
  論文  参考訳（メタデータ） (2022-11-16T18:59:54Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。