論文の概要: Constraint Learning by Optimizing over Trained Neural Networks: A Pragmatic Tutorial
- arxiv url: http://arxiv.org/abs/2610.35505v1
- Date: Mon, 26 Oct 2026 14:32:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:14.03061
- Title: Constraint Learning by Optimizing over Trained Neural Networks: A Pragmatic Tutorial
- Title（参考訳）: 訓練ニューラルネットワークの最適化による制約学習:実用的チュートリアル
- Abstract要約: 制約学習は、機械学習の助けを借りて最適化問題をモデル化する新たなパラダイムである。
本稿では,ニューラルネットワークを用いた制約学習を効果的かつ効率的に活用するための実践的考察を行う。
- 参考スコア（独自算出の注目度）: 2.134211474877041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Constraint learning is an emerging paradigm of modeling optimization problems with the help of machine learning. In this paradigm, trained machine learning models are embedded into the optimization model. For example, we can learn constraints empirically from available data, or we can avoid using a nonlinear objective function by learning a simpler approximation for it. Neural networks become a compelling option if the machine learning models must capture more elaborate and nuanced relationships. However, optimization models embedding neural networks may become too large or too slow to solve. In this tutorial, we present practical considerations for an effective and efficient use of constraint learning with neural networks and validate it with a case study highlighting the benefit of smaller and sparser networks.
- Abstract（参考訳）: 制約学習は、機械学習の助けを借りて最適化問題をモデル化する新たなパラダイムである。
このパラダイムでは、トレーニングされた機械学習モデルを最適化モデルに組み込む。
例えば、利用可能なデータから制約を経験的に学習したり、より単純な近似を学習することで、非線形目的関数の使用を避けることができる。
機械学習モデルがより精巧でニュアンスのある関係を捉える必要がある場合、ニューラルネットワークは魅力的な選択肢となる。
しかし、ニューラルネットワークを埋め込む最適化モデルは、大きすぎるか、解決するのに遅すぎるかもしれない。
本稿では,ニューラルネットワークによる制約学習を効果的かつ効果的に活用するための実践的考察を行い,より小型でスペーサーなネットワークの利点を強調するケーススタディで検証する。
関連論文リスト
- Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。
本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。
本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
論文 参考訳（メタデータ） (2025-07-31T05:34:27Z) - Optimization over Trained (and Sparse) Neural Networks: A Surrogate within a Surrogate [5.718611740982005]
ニューラルネットワーク自体のサロゲートを生成するために、ネットワークプルーニングを使用します。
分類性能の悪い刈り取られたネットワークは、それでも良い(そしてより効率的な)サロゲートであることを示す。
論文 参考訳（メタデータ） (2025-05-04T04:49:19Z) - A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク
i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文 参考訳（メタデータ） (2024-09-18T14:57:13Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Model Sparsity Can Simplify Machine Unlearning [33.18951938708467]
最近のデータ規制要件に応えて、マシン・アンラーニング(MU)が重要なプロセスとして登場した。
本研究は,ウェイトプルーニングによるモデルスペーシフィケーションという,新しいモデルベース視点を紹介する。
理論と実践の両方において、モデルスパーシティは、近似アンラーナーのマルチ基準アンラーニング性能を高めることができることを示す。
論文 参考訳（メタデータ） (2023-04-11T02:12:02Z) - Continual Learning Beyond a Single Model [28.130513524601145]
そこで本研究では,アンサンブルモデルを用いることで,連続的な性能向上を図った。
本稿では,単一モデルに類似した実行時間を持つ計算コストの低いアルゴリズムを提案し,アンサンブルの性能上の利点を享受する。
論文 参考訳（メタデータ） (2022-02-20T14:30:39Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。