Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Feasibility-Aware Decision-Focused Learning for Predicting Parameters in the Constraints

Created by
  • Haebom

作者

Jayanta Mandi, Marianne Defresne, Senne Berden, Tias Guns

概要

制約最適化問題（ＣＯＰ）のいくつかのパラメータが不確実な場合、予測後最適化（ＰｔＯ）問題が発生し、これはコンテキスト情報から未知のパラメータを予測することと、予測されたパラメータを使用して最適化することとからなる。意思決定中心学習（ＤＦＬ）は、予測されたパラメータを使用して行われた意思決定の質を最適化するために機械学習（ＭＬ）モデルを訓練して第１のステップを実施する。予測されたパラメータが制約に現れると実行不可能な解が発生する可能性があるため、実行可能性と意思決定品質を同時に管理することが重要です。この研究では、一般的なCOPで制約パラメータを予測するためのDFLフレームワークを開発します。既存の研究は一般に、基本最適化問題が線形計画法（ＬＰ）または整数線形計画法（ＩＬＰ）であると仮定しているが、本研究のアプローチはこの仮定をしない。最大尤度推定（MLE）に基づいて2つの新しい損失関数を導出した。第１の損失関数は実行不可能性をペナルティ化し、第２の損失関数は最適化されていない意思決定をペナルティ化する。 2つの損失の加重平均を形成するために1つの調整可能なパラメータを導入して、意思決定者が非最適性と実行可能性を調整できるようにします。複数のCOPインスタンスでこのパラメータを調整することで、意思決定者は非最適性または実行可能性を優先し、既存のベースラインよりも優れたパフォーマンスを示します。

Takeaways、Limitations

•
Takeaways:
◦
一般的なCOP問題における制約パラメータ予測のためのDFLフレームワークの開発。
◦
LP/ILP 仮定なしで適用可能な方法論の提示。
◦
実行不可能性と非最適性を制御する調整可能な単一パラメータの導入。
◦
実験は、調整可能なパラメータが非最適性と実行可能性の間のトレードオフを制御することを実証しました。
◦
従来のベースラインより優れた性能を達成。
•
Limitations:
◦
特定のCOPインスタンスとデータセットの追加分析が必要です。
◦
一般的な設定のスケーラビリティと効率の評価が必要です。
◦
パラメータチューニングのための追加のガイドラインと自動化方式の研究が必要です。
👍
Made with Slashpage