論文の概要: Neural Compression of Long ADMM Trajectory for Multiparametric Quadratic Program

• arxiv url: http://arxiv.org/abs/2610.38079v1
• Date: Tue, 27 Oct 2026 23:47:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.347129
• Title: Neural Compression of Long ADMM Trajectory for Multiparametric Quadratic Program
• Title（参考訳）: 多パラメータ擬似プログラムのための長期ADMM軌道のニューラル圧縮
• Abstract要約: 大規模マルチパラメトリック二次プログラム(mpQP)をリアルタイムに解くには、数千の反復的な最適化が必要である。 本稿では,長期ADMM最適化軌跡を圧縮する自己教師型ニューラル圧縮フレームワークであるTQPNetを提案する。 大規模mpQPとリアルタイムMPCアプリケーションの実験により、TQPNetは高い精度、強力な一般化、そしてかなり高速な推論を実現することが示された。
• 参考スコア（独自算出の注目度）: 8.856773439523275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving large-scale multiparametric quadratic programs (mpQPs) in real time often requires thousands of iterative optimization updates, creating a major computational bottleneck in model predictive control and learning-enabled systems. This paper proposes TQPNet, a self-supervised neural compression framework that learns to compress long ADMM optimization trajectories into a compact neural warm start followed by a few refinement iterations. We derive a low-dimensional ADMM scheme operating on the primal-dual variables $(x,β)$ and show that its iteration admits an equivalent ReLU-layer representation, termed ADMM(ReLU). Building on this insight, TQPNet combines a multilayer perceptron with ReLU activations (MLP(ReLU)) and a small number of unrolled ADMM(ReLU) refinement layers. The network is trained offline using an optimality-condition-informed residual loss, eliminating the need for solver-generated labels. The proposed residual-based framework enables both self-supervised training and online solution certification through adaptive ADMM(ReLU) refinement. Experiments on large-scale mpQPs and real-time MPC applications demonstrate that TQPNet achieves high accuracy, strong generalization, and substantially faster inference than conventional optimization-based methods.
• Abstract（参考訳）: 大規模マルチパラメトリック二次プログラム(mpQP)をリアルタイムに解くには、数千の反復的な最適化が必要であり、モデル予測制御と学習可能なシステムにおいて大きな計算ボトルネックを生み出す。 本稿では,長期ADMM最適化軌道をコンパクトなニューラルウォームスタートに圧縮し,改良を繰り返した自己教師型ニューラル圧縮フレームワークTQPNetを提案する。 低次元ADMMスキームを基本双対変数$(x,β)$で動作させ、その反復が等価なReLU層表現を許容していることを示し、ADMM(ReLU)と呼ぶ。 この知見に基づいて、TQPNetは多層パーセプトロンとReLUアクティベーション(MLP(ReLU))と少数のADMM(ReLU)リファインメント層を組み合わせる。 ネットワークは最適条件インフォームド残留損失を用いてオフラインでトレーニングされ、ソルバ生成ラベルは不要である。 提案フレームワークは,適応型ADMM(ReLU)の改良により,自己指導型トレーニングとオンラインソリューション認証の両立を可能にする。 大規模mpQPおよびリアルタイムMPCアプリケーションの実験により、TQPNetは従来の最適化手法よりも高い精度、強力な一般化、そしてかなり高速な推論を実現することが示された。

関連論文リスト

• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• Learning to accelerate distributed ADMM using graph neural networks [4.309217525488745]
  分散ADMMイテレーションは,グラフニューラルネットワークのメッセージパッシングフレームワーク内で自然に表現可能であることを示す。 我々は、アルゴリズムの収束特性を保ちながら、与えられた問題クラスの最終繰り返しエラーを最小限に抑えるために、ネットワークパラメータをエンドツーエンドに訓練する。
  論文  参考訳（メタデータ） (2025-09-05T17:55:22Z)
• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [65.18157595903124]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• A Lightweight RL-Driven Deep Unfolding Network for Robust WMMSE Precoding in Massive MU-MIMO-OFDM Systems [8.526578240549794]
  本稿では,各SWMMSEイテレーションをネットワーク層にマッピングする,軽量強化学習(RL)駆動の深層展開(RLDDU-Net)ネットワークを提案する。 具体的には、そのDUモジュールは、ビーム領域の間隔と周波数領域のサブキャリア相関を統合し、収束を著しく加速し、計算オーバーヘッドを低減する。 不完全なCSI下でのシミュレーションの結果、RLDDU-Netは計算効率と収束効率を向上しつつ、既存のEWSR性能のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:54:42Z)
• Towards A Flexible Accuracy-Oriented Deep Learning Module Inference Latency Prediction Framework for Adaptive Optimization Algorithms [0.49157446832511503]
  本稿では,ディープラーニングモジュール推論遅延予測フレームワークを提案する。 DNNモジュールごとに複数のRMをトレーニングするために、カスタマイズ可能な入力パラメータのセットをホストする。 トレーニングされたRMのセットを自動的に選択し、全体的な予測精度が最高になる。
  論文  参考訳（メタデータ） (2023-12-11T15:15:48Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Training Latency Minimization for Model-Splitting Allowed Federated Edge Learning [16.8717239856441]
  我々は,深層ニューラルネットワーク(DNN)の訓練において,クライアントが直面する計算能力の不足を軽減するためのモデル分割許容FL(SFL)フレームワークを提案する。 同期したグローバルアップデート設定では、グローバルトレーニングを完了するためのレイテンシは、クライアントがローカルトレーニングセッションを完了するための最大レイテンシによって決定される。 この混合整数非線形計画問題の解法として,AIモデルのカット層と他のパラメータの量的関係に適合する回帰法を提案し,TLMPを連続的な問題に変換する。
  論文  参考訳（メタデータ） (2023-07-21T12:26:42Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。