論文の概要: Convex-SKM-Net: Low-Latency Block Halfspace Corrections for Neural Convex Constraint Satisfaction
- arxiv url: http://arxiv.org/abs/2610.38197v1
- Date: Wed, 28 Oct 2026 02:45:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.363423
- Title: Convex-SKM-Net: Low-Latency Block Halfspace Corrections for Neural Convex Constraint Satisfaction
- Title（参考訳）: Convex-SKM-Net:Neural Convex Constraint Satisfactionのための低遅延ブロックハーフスペース補正
- Abstract要約: 本研究では,凸制約満足層であるConvex-SKM-Netを紹介した。
GPUフレンドリーな行列演算を用いた最小変位ブロック問題に対して、固定深さ2重射影勾配(Dual PGD)を適用する。
我々は予測器と正定モビリティを共同で学習し、補正幾何を適用して客観的品質を向上させる。
- 参考スコア（独自算出の注目度）: 5.910446447473465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fast inference and strict constraint satisfaction are essential for learning-based decision-making. Existing methods often rely on constraint-specific projections or feasible-set parameterizations, while iterative repair can be costly. We introduce Convex-SKM-Net, a convex constraint-satisfaction layer that forms linearization halfspaces from residual and (sub)gradient oracles without constraint-specific inequality projectors. It applies fixed-depth dual projected-gradient descent (dual PGD) to minimum-displacement block problems using GPU-friendly matrix operations. We jointly learn the predictor and a positive-definite mobility, adapting the correction geometry to improve objective quality. We prove convergence of the outer iterates at fixed dual depth and linear convergence in distance under Slater's condition and bounded subgradients. All our test outputs on three second-order-cone model-predictive control (SOC-MPC) horizons and six power-system convex relaxations satisfy a $10^{-3}$ feasibility tolerance. Comparisons with the latest constraint-satisfaction methods show inference speedups of up to $144.3\times$ on SOC-MPC and $7.7\times$ on a convex quadratically constrained quadratic programming (QCQP) benchmark with joint training. On QCQP, the mean objective gap is $0.012\%$, with full test feasibility at $10^{-4}$. Learning mobility reduces the five-seed affine-task mean gap by $22.4\%$ and improves gaps in matched power-system comparisons.
- Abstract（参考訳）: 学習に基づく意思決定には、高速な推論と厳格な制約満足度が不可欠である。
既存の手法はしばしば制約固有の射影や実現可能なパラメータ化に依存し、反復的な修復はコストがかかる。
本研究では,凸制約満足層であるConvex-SKM-Netを紹介した。
GPUフレンドリーな行列演算を用いた最小変位ブロック問題に対して、固定深さ2重射影勾配(Dual PGD)を適用する。
我々は予測器と正定モビリティを共同で学習し、補正幾何を適用して客観的品質を向上させる。
我々は、スレーター条件と有界次数の下で、固定された双対深さでの外部反復の収束と距離における線形収束を証明した。
3つの2次円錐モデル予測制御(SOC-MPC)水平線と6つの電力系凸緩和に対する試験出力は10-3}$ファシビリティ耐性を満たす。
SOC-MPCでは最大144.3\times$と7.7\times$の2次制約付き2次プログラミング(QCQP)ベンチマークで推論速度が向上した。
QCQPでは、平均的な客観的ギャップは0.012\%$であり、完全なテスト実現性は10^{-4}$である。
学習モビリティは、5シードのアフィン・タスク平均ギャップを2.4$%削減し、マッチした電力システム比較におけるギャップを改善する。
関連論文リスト
- Learned Preconditioning for a Primal-Dual Interior-Point Method [1.7694768544626636]
内部点法(IPM)は、制約付き最適化において最も広く使われているアルゴリズムの一つである。
pdProjLIP に学習前条件を組み込むスムーズな非線形プログラムのための IPM である pd を導入する。
学習されたイテレーションはHessianの評価を避け、Newton-systemはGPU並列化のために一階演算と座標演算のみを使用する。
論文 参考訳（メタデータ） (2026-09-28T17:24:54Z) - CORE-STACK+: Meta-Learning for Deep Stacked Generalization [0.0]
スタックングヘテロジニアス視覚バックボーン(CNN、ViT、ハイブリッド)は、精度、校正、堅牢性のデファクトレシピである。
予測空間の多重コリンはメタラーナーのグラム行列を悪条件にし、重みの分散を膨らませ、薄い多様体上の脆い解を生成する。
ECEは、ホック後の温度スケーリングなしでディープアンサンブルよりも2.1タイムスで改善している。
論文 参考訳（メタデータ） (2026-09-22T18:03:36Z) - DualCert: A Solver for the Traveling Salesman Problem with Constraint-Coupled Learning [4.941039246565574]
大規模走行セールスマン問題 (TSP) では、出力の妥当性を保ちながら限られた計算を割り当てることが求められる。
DualCertは、Emphconstraint-coupled learningを導入し、現在の等級方程式と動的に分離されたサブチュール除去制約がそれぞれの学習遷移を定義する。
1000の保持されたTSP1000インスタンス上で、DualCertは、Lin--Kernighan--Helsgaunバージョン3(LKH-3)からの平均的なツアーコストギャップ(0.0573%)をインスタンス当たり9.55秒のバッチ修正秒で達成した。
論文 参考訳（メタデータ） (2026-08-10T02:48:16Z) - Stochastic Momentum Methods for Non-smooth Non-Convex Finite-Sum Coupled Compositional Optimization [68.22688819802622]
我々は、(ほぼ)$レベルのKKTソリューションを見つけるために、$O(/epsilon)$の最先端の複雑さを新たに提案する。
O(/epsilon)$ の(ほぼ) $ レベルの KKT ソリューションを見つけるための技術的複雑さを適用することで、(ほぼ) $ レベルの KKT ソリューションを見つけるための $O(/epsilon)$ の最先端の複雑さを新たに達成する。
論文 参考訳（メタデータ） (2025-06-03T06:31:59Z) - A single-loop SPIDER-type stochastic subgradient method for expectation-constrained nonconvex nonsmooth optimization [18.38962516619021]
厳密なペナルティモデルを構築するための新しい手法を提案する。
対象関数と関数の次数と各制約関数値を用いる。
その結果,本手法は2人制約問題よりもはるかに高速であることが判明した。
論文 参考訳（メタデータ） (2025-01-31T15:18:52Z) - Two-Timescale Optimization Framework for Sparse-Feedback Linear-Quadratic Optimal Control [3.746304628644379]
The $mathcalHfeedback$-guaranteed sparse-feedback linear-quadratic (LQ) optimal control with convex parameterization and convex-bounded uncertainty。
論文 参考訳（メタデータ） (2024-06-17T03:17:33Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - Distributed Extra-gradient with Optimal Complexity and Communication
Guarantees [60.571030754252824]
複数のプロセッサ/ワーカー/クライアントがローカルなデュアルベクトルにアクセス可能なマルチGPU設定において、モノトン変分不等式(VI)問題を考察する。
モノトーンVI問題に対するデファクトアルゴリズムであるExtra-gradientは、通信効率が良くないように設計されている。
そこで本稿では,VI の解法に適した非バイアスで適応的な圧縮手法である量子化一般化外部勾配 (Q-GenX) を提案する。
論文 参考訳（メタデータ） (2023-08-17T21:15:04Z) - Universal Online Learning with Gradient Variations: A Multi-layer Online Ensemble Approach [57.92727189589498]
本稿では,2段階の適応性を持つオンライン凸最適化手法を提案する。
我々は$mathcalO(log V_T)$, $mathcalO(d log V_T)$, $hatmathcalO(sqrtV_T)$ regret bounds for strong convex, exp-concave and convex loss function。
論文 参考訳（メタデータ） (2023-07-17T09:55:35Z) - Adaptivity and Non-stationarity: Problem-dependent Dynamic Regret for Online Convex Optimization [70.4342220499858]
本稿では,スムーズさを生かし,問題依存量による動的後悔のT$への依存を補う新しいオンラインアルゴリズムを提案する。
この結果が本質的な難易度に適応しているのは, 既往の結果よりも厳密であり, 最悪の場合, 同一レートの保護が可能であるからである。
論文 参考訳（メタデータ） (2021-12-29T02:42:59Z)
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。