arXiv · 07.07.2026 ·Машинное обучение

GraphBU: новый метод генерации задач смешанно-целочисленного линейного программирования

Исследователи представили GraphBU — новый подход к генерации синтетических данных для задач смешанно-целочисленного линейного программирования (MILP). Метод использует графовые блочные единицы для создания реалистичных экземпляров задач, сохраняя их структурную сложность. Это решает проблему нехватки качественных данных для обучения оптимизационных алгоритмов, когда реальные промышленные наборы данных недоступны из-за конфиденциальности или специфики бизнес-процессов.

Разработка алгоритмов MILP-решателей традиционно опирается на наборы данных, которые сложно масштабировать без потери ключевых характеристик графа. Существующие генераторы часто полагаются на простые статистические показатели или локальные изменения, что приводит к созданию задач, не отражающих реальные зависимости между переменными и ограничениями. GraphBU переходит от шаблонного подхода к графо-ориентированному, позволяя моделировать сложные взаимосвязи, присущие прикладным задачам оптимизации.

Использование графовых блоков позволяет системе учитывать топологическую структуру задачи, что критически важно для обучения нейросетевых политик и работы классических решателей. Такой подход обеспечивает высокую точность воспроизведения свойств исходных данных, что позволяет разработчикам создавать более надежные бенчмарки и тестировать производительность оптимизационных систем в контролируемых условиях без необходимости раскрытия чувствительной информации.

Ключевые факты

Метод GraphBU фокусируется на сохранении структурной целостности графа при генерации новых экземпляров MILP.
Подход преодолевает ограничения существующих генераторов, которые используют лишь общую статистику или простые шаблоны.
Технология позволяет создавать синтетические наборы данных для обучения моделей, когда доступ к реальным промышленным пайплайнам ограничен.
Метод ориентирован на повышение качества бенчмарков для тестирования решателей и алгоритмов машинного обучения в задачах оптимизации.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Новый метод Graph Sparse Sampling для планирования в непрерывных пространствах состояний Исследователи представили метод Graph Sparse Sampling (GSS), решающий проблему экспоненциального роста вычислительных затрат при планировании в непрерывных марковских процессах принятия решений (MDP). В отличие от классического поиска по дереву, GSS использует графовую структуру, что позволяет эффективно преодолеть «проклятие горизонта» и значительно сократить бюджет выборки при глубоком планировании в сложных динамических средах. arXiv · Исследования и наука Оптимизация гибридных моделей внимания для работы с длинным контекстом Исследователи представили новый метод оптимизации гибридных моделей внимания, повышающий эффективность обработки длинных контекстов. Вместо использования эвристических подходов для выбора слоев, авторы предложили алгоритмический способ определения того, какие слои должны сохранять полное внимание, а какие — заменяться на линейное. Это позволяет значительно снизить вычислительные затраты при сохранении высокой точности работы трансформеров. arXiv · Машинное обучение Generative Robust Optimisation: новый подход к оптимизации в условиях неопределенности Исследователи представили метод Generative Robust Optimisation (GRO), который меняет подход к классической задаче робастной оптимизации. Традиционные методы опираются на жесткие геометрические ограничения для описания неопределенности, что не позволяет эффективно учитывать сложные зависимости в реальных данных. Авторы предлагают использовать глубокие генеративные модели для определения множеств неопределенности, где границы задаются образом нейросетевого декодера. arXiv · Исследования и наука Исследование методов оценки графовых фундаментальных моделей Исследователи представили комплексный анализ производительности графовых фундаментальных моделей (GFM), сфокусировавшись на задачах прогнозирования свойств узлов. Работа выявляет критические недостатки в текущих подходах к тестированию, предлагая стандартизированную методологию для объективного сравнения архитектур. Авторы демонстрируют, что многие современные модели показывают нестабильные результаты при смене наборов данных, что требует пересмотра подходов к их обучению и валидации. arXiv · Исследования и наука GaP: новый метод обучения агентов для вариативной промышленной автоматизации Исследователи представили фреймворк GaP (Graph-as-Policy), объединяющий интерпретируемое программирование роботов с адаптивностью моделей обучения с подкреплением. Метод решает проблему вариативной автоматизации, где роботам приходится работать с объектами разной геометрии и положения. Подход позволяет агентам эффективно справляться с задачами, требующими высокой точности в непредсказуемых условиях, превосходя традиционные методы обучения без моделей. arXiv · Машинное обучение Новые теоретические гарантии для алгоритма Bregman ADMM в невыпуклой оптимизации Исследователи представили анализ алгоритма Bregman ADMM для решения задач невыпуклой оптимизации с линейными ограничениями. Авторы заменили стандартное предположение о липшицевости градиента на условие относительной гладкости, основанное на сравнении гессианов относительно ядра Брегмана. Это позволяет эффективно оптимизировать сложные полиномиальные целевые функции в матричных и тензорных моделях, где глобальная константа Липшица зачастую отсутствует. arXiv · Исследования и наука Новый метод байесовского планирования экспериментов Action-BED Исследователи представили метод Action-BED, который решает проблему сложности байесовского планирования экспериментов (BED). Традиционные подходы в этой области опираются на максимизацию снижения неопределенности, что приводит к созданию так называемых «дважды трудноразрешимых» целевых функций. Оптимизация таких функций требует значительных вычислительных ресурсов и часто не учитывает специфику конкретных прикладных задач, для которых проводятся исследования. arXiv · Машинное обучение PromptGNN-sim: новый метод глубокой интеграции графовых нейросетей и LLM Исследователи представили PromptGNN-sim — архитектуру для работы с графами, обогащенными текстовыми данными (TAG). Метод решает проблему поверхностного взаимодействия между текстовой семантикой и структурой графа, используя глубокое слияние и выравнивание модальностей. Это позволяет значительно повысить точность предсказаний в задачах с разреженными связями и улучшить обобщающую способность моделей на новых графах. arXiv · Оценка и бенчмарки A2utoLPBench: автоматизированный бенчмарк для проверки ИИ-агентов в линейном программировании Исследователи представили A2utoLPBench — динамический бенчмарк для оценки способностей ИИ-агентов решать задачи линейного программирования (LP), сформулированные на естественном языке. В отличие от статических наборов данных, которые подвержены утечкам в обучающие выборки моделей, этот инструмент использует метод обратной конструкции KKT для автоматической генерации уникальных задач, что обеспечивает объективность тестирования и масштабируемость сложности. arXiv · Машинное обучение B3O: новый метод масштабируемой байесовской оптимизации для параллельных вычислений Исследователи представили B3O (Boltzmann Batch Bayesian Optimization) — новый фреймворк для байесовской оптимизации, решающий проблему масштабируемости при работе с большими пакетами данных. В отличие от традиционных подходов, требующих высоких вычислительных затрат или жертвующих разнообразием выборки, B3O переосмысливает генерацию пакетов как задачу чистого сэмплирования, что позволяет эффективно использовать возможности параллельных симуляций в инженерных процессах.

← Все материалы