Deep Reinforcement Learning-Based Optimization of Second-Life Battery Utilization in Electric Vehicles Charging Stations

投稿日: 2025年2月6日 作成者: jarxiv

要約

電気自動車（EV）の採用の急速な増加は、退職したEVバッテリーの膨大な数を管理する上で大きな課題を提示します。
調査によると、EVのセカンドライフバッテリー（SLB）は通常、かなりの残留容量を保持し、拡張効用を提供します。
これらのバッテリーは、EV充電ステーション（EVC）で使用するために効果的に再利用でき、新しいバッテリーの費用対効果の高い代替品を提供し、全体的な計画コストを削減できます。
バッテリーエネルギー貯蔵システム（BES）をSLBSとEVCに統合することは、システムの過負荷を軽減するための有望な戦略です。
ただし、統合されたBESSを使用したEVCの効率的な動作は、EVの到着と出発時間、およびグリッドからの変動電力価格などの不確実性によって妨げられています。
このペーパーでは、SLBを活用して、BESを使用したEV充電ステーションの深い補強学習ベース（DRL）計画フレームワークを紹介します。
高度なソフトアクタークリティック（SAC）アプローチを採用し、平日や休日を含む季節のバリエーションを説明するために、1年分のデータでモデルをトレーニングします。
カスタマイズされた報酬関数は、効果的なオフライントレーニングを可能にし、不確実性の下でEVCS操作のリアルタイム最適化を可能にします。

要約(オリジナル)

The rapid rise in electric vehicle (EV) adoption presents significant challenges in managing the vast number of retired EV batteries. Research indicates that second-life batteries (SLBs) from EVs typically retain considerable residual capacity, offering extended utility. These batteries can be effectively repurposed for use in EV charging stations (EVCS), providing a cost-effective alternative to new batteries and reducing overall planning costs. Integrating battery energy storage systems (BESS) with SLBs into EVCS is a promising strategy to alleviate system overload. However, efficient operation of EVCS with integrated BESS is hindered by uncertainties such as fluctuating EV arrival and departure times and variable power prices from the grid. This paper presents a deep reinforcement learning-based (DRL) planning framework for EV charging stations with BESS, leveraging SLBs. We employ the advanced soft actor-critic (SAC) approach, training the model on a year’s worth of data to account for seasonal variations, including weekdays and holidays. A tailored reward function enables effective offline training, allowing real-time optimization of EVCS operations under uncertainty.

arxiv情報

著者 Rouzbeh Haghighi,Ali Hassan,Van-Hai Bui,Akhtar Hussain,Wencong Su
発行日 2025-02-05 17:50:53+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.SY, eess.SY | Deep Reinforcement Learning-Based Optimization of Second-Life Battery Utilization in Electric Vehicles Charging Stations はコメントを受け付けていません

Rough kernel hedging

投稿日: 2025年2月6日 作成者: jarxiv

要約

オペレータ値のカーネルと未回復の署名カーネルの機能分析フレームワークに基づいて、高次元のパス依存性ヘッジ問題の幅広いクラスのためのスケーラブルで実証的に収束的な署名ベースのアルゴリズムを提案します。
一般的な幾何学的なラフパスとしてモデル化し、完全にモデルのないアプローチをもたらすことにより、市場のダイナミクスについて最小限の仮定を行います。
さらに、代表者の定理を通じて、結果として得られる最適化問題のグローバル最小値の存在と一意性に関する理論的保証を提供し、非常に一般的な損失関数の下で分析ソリューションを導き出します。
人気のある深いヘッジアプローチと同様ですが、より厳密な方法で、私たちの方法は、トレーディングシグナル、ニュース分析、過去のヘッジ決定など、基礎となるオペレーター大値カーネルを介して追加機能を組み込むこともできます。
練習する。

要約(オリジナル)

Building on the functional-analytic framework of operator-valued kernels and un-truncated signature kernels, we propose a scalable, provably convergent signature-based algorithm for a broad class of high-dimensional, path-dependent hedging problems. We make minimal assumptions about market dynamics by modelling them as general geometric rough paths, yielding a fully model-free approach. Furthermore, through a representer theorem, we provide theoretical guarantees on the existence and uniqueness of a global minimum for the resulting optimization problem and derive an analytic solution under highly general loss functions. Similar to the popular deep hedging approach, but in a more rigorous fashion, our method can also incorporate additional features via the underlying operator-valued kernel, such as trading signals, news analytics, and past hedging decisions, closely aligning with true machine-learning practice.

arxiv情報

著者 Nicola Muca Cirone,Cristopher Salvi
発行日 2025-02-05 18:00:59+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, math.FA, stat.ML | Rough kernel hedging はコメントを受け付けていません

From Features to Transformers: Redefining Ranking for Scalable Impact

投稿日: 2025年2月6日 作成者: jarxiv

要約

LinkedInで開発された大規模なランキングフレームワークであるLigrを紹介します。
学習された正規化と同時に、ユーザー履歴とランク付けされたアイテムに同時にセットワイズの注意を組み込む修正されたトランスアーキテクチャを紹介します。
このアーキテクチャにより、次のようないくつかのブレークスルーの成果が可能になります。（1）最も手動で設計された機能エンジニアリングの非難は、少数の機能（ベースラインの数百と比較して）のみを使用して、以前の最先端のシステムを上回っています（2）
ランキングシステムのスケーリング法は、より大きなモデル、より多くのトレーニングデータ、より長いコンテキストシーケンス、および（3）セットワイズ方法でアイテムの同時ジョイントスコアリングを伴うパフォーマンスの向上を示し、多様性の自動改善につながります。
大規模なランキングモデルの効率的なサービングを有効にするために、ユーザー履歴とセットワイズの注意の単一パス処理を使用して、推論を効果的にスケーリングする手法について説明します。
また、さまざまなアブレーション研究とA/Bテストからの重要な洞察を要約し、最も影響力のある技術的アプローチを強調します。

要約(オリジナル)

We present LiGR, a large-scale ranking framework developed at LinkedIn that brings state-of-the-art transformer-based modeling architectures into production. We introduce a modified transformer architecture that incorporates learned normalization and simultaneous set-wise attention to user history and ranked items. This architecture enables several breakthrough achievements, including: (1) the deprecation of most manually designed feature engineering, outperforming the prior state-of-the-art system using only few features (compared to hundreds in the baseline), (2) validation of the scaling law for ranking systems, showing improved performance with larger models, more training data, and longer context sequences, and (3) simultaneous joint scoring of items in a set-wise manner, leading to automated improvements in diversity. To enable efficient serving of large ranking models, we describe techniques to scale inference effectively using single-pass processing of user history and set-wise attention. We also summarize key insights from various ablation studies and A/B tests, highlighting the most impactful technical approaches.

arxiv情報

著者 Fedor Borisyuk,Lars Hertel,Ganesh Parameswaran,Gaurav Srivastava,Sudarshan Srinivasa Ramanujam,Borja Ocejo,Peng Du,Andrei Akterskii,Neil Daftary,Shao Tang,Daqi Sun,Qiang Charles Xiao,Deepesh Nathani,Mohit Kothari,Yun Dai,Aman Gupta
発行日 2025-02-05 18:02:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | From Features to Transformers: Redefining Ranking for Scalable Impact はコメントを受け付けていません

Prediction of the Most Fire-Sensitive Point in Building Structures with Differentiable Agents for Thermal Simulators

投稿日: 2025年2月6日 作成者: jarxiv

要約

火災の安全性は、特に火災イベント中の建物の構造的安定性を確保する上で、民間および機械工学の研究の重要な分野です。
構造内の最も火災に敏感なポイント（MFSP）は、火災が構造の安定性に最大の影響を与える場所です。
MFSPの正確な予測は、構造評価を合理化し、設計プロセスを最適化するために不可欠です。
このペーパーでは、微分可能なエージェントモデルを介して火災力学と有限要素分析を統合するニューラルネットワークベースのアプローチを使用したMFSP予測の新しいフレームワークを紹介します。
フレームワークは、火災条件下での構造性能の重要な指標である最大インターストーリードリフト比（MIDR）の予測に焦点を当てています。
微分可能なエージェントモデルを活用することにより、MFSPの標識データを効率的に生成し、この重要なメトリックの予測因子を直接トレーニングします。
これを実現するために、構造および火災のシナリオを含む広範なシミュレーションデータを生成し、建物構造を表すためにグラフニューラルネットワークを採用しました。
転送学習がトレーニングプロセスを最適化するために適用され、エッジアップデートメカニズムが導入され、火災条件下でのプロパティの変更を反映して、エッジ属性を動的に調整しました。
提案されたモデルは、シミュレーションデータで厳密に評価され、MIDRとMFSPの両方を正確に予測する際の強力なパフォーマンスを実証し、建物構造の火災安全分析を進めています。

要約(オリジナル)

Fire safety is a critical area of research in civil and mechanical engineering, particularly in ensuring the structural stability of buildings during fire events. The Most Fire-Sensitive Point (MFSP) in a structure is the location where a fire would cause the greatest impact on structural stability. Accurate prediction of the MFSP is vital for streamlining structural assessments and optimizing the design process. This paper presents a novel framework for MFSP prediction using a neural network-based approach that integrates fire dynamics and finite element analysis through a differentiable agent model. The framework focuses on predicting the Maximum Interstory Drift Ratio (MIDR), a key indicator of structural performance under fire conditions. By leveraging the differentiable agent model, we efficiently generate labeled data for MFSP and directly train a predictor for this critical metric. To achieve this, we generated extensive simulation data encompassing structural and fire scenarios and employed graph neural networks to represent the building structures. Transfer learning was applied to optimize the training process, and an edge update mechanism was introduced to dynamically adjust edge attributes, reflecting property changes under fire conditions. The proposed model was rigorously evaluated on simulation data, demonstrating strong performance in accurately predicting both MIDR and MFSP, thus advancing fire safety analysis for building structures.

arxiv情報

著者 Yuan Xinjie,Khalid M. Mosalam
発行日 2025-02-05 18:14:20+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Prediction of the Most Fire-Sensitive Point in Building Structures with Differentiable Agents for Thermal Simulators はコメントを受け付けていません

An Algebraically Converging Stochastic Gradient Descent Algorithm for Global Optimization

投稿日: 2025年2月6日 作成者: jarxiv

要約

非コンベックス最適化問題のグローバルオプティマイザーを見つけるための確率的項を追加した新しい勾配降下アルゴリズムを提案します。
アルゴリズムの重要なコンポーネントは、目的関数の値に基づくランダム性の適応チューニングです。
シミュレートされたアニーリングの言語では、温度は状態に依存します。
これにより、アルゴリズムのグローバルな収束が、確率とパラメーター空間の両方で代数速度を持つことを証明します。
これは、ノイズ用語のより簡単な制御を使用することによる古典的なレートよりも大幅な改善です。
収束証明は、文献で頻繁に行われるように頻繁に行われる連続制限だけでなく、アルゴリズムの実際の離散セットアップに基づいています。
また、合理的に複雑な目的関数のアルゴリズムの効率と堅牢性を示すために、いくつかの数値例を示します。

要約(オリジナル)

We propose a new gradient descent algorithm with added stochastic terms for finding the global optimizers of nonconvex optimization problems. A key component in the algorithm is the adaptive tuning of the randomness based on the value of the objective function. In the language of simulated annealing, the temperature is state-dependent. With this, we prove the global convergence of the algorithm with an algebraic rate both in probability and in the parameter space. This is a significant improvement over the classical rate from using a more straightforward control of the noise term. The convergence proof is based on the actual discrete setup of the algorithm, not just its continuous limit as often done in the literature. We also present several numerical examples to demonstrate the efficiency and robustness of the algorithm for reasonably complex objective functions.

arxiv情報

著者 Björn Engquist,Kui Ren,Yunan Yang
発行日 2025-02-05 18:22:44+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 65K05, 90C15, 90C26, cs.LG, math.OC | An Algebraically Converging Stochastic Gradient Descent Algorithm for Global Optimization はコメントを受け付けていません

DP-SGD-Global-Adapt-V2-S: Triad Improvements of Privacy, Accuracy and Fairness via Step Decay Noise Multiplier and Step Decay Upper Clipping Threshold

投稿日: 2025年2月6日 作成者: jarxiv

要約

差別的に私的な確率的勾配降下（DP-SGD）は、ディープラーニングアプリケーションで機密情報を保護するための広く使用されている技術となっています。
残念ながら、トレーニング中のDPSGDのサンプルごとの勾配クリッピングと均一なノイズの追加は、モデルの有用性と公平性を大幅に低下させる可能性があります。
最新のDP-SGD-Global-Adaptの平均勾配規範は、トレーニング全体で同じであることがわかります。
既存の線形減衰ノイズ乗数に統合されている場合でも、利点はほとんどまたはまったくありません。
さらに、その上部クリッピングしきい値がトレーニングの終了に向かって指数関数的に増加し、モデルの収束に影響を与える可能性があることに気付きます。
実験で実証されているように、他のアルゴリズム、DP-PSAC、AUTO-S、DP-SGD-Global、およびDP-Fには、DP-SGDと類似した、またはそれ以上のユーティリティと公平性があります。
これらの問題を克服し、効用と公平性を改善するために、DP-SGD-Global-Adapt-V2-Sを開発しました。
段階的なノイズ乗数と、段階的に減衰する上部クリッピングしきい値があります。
1のプライバシー予算（$ \ epsilon $）を備えたDP-SGD-Global-Adapt-V2-Sは、それぞれMNIST、CIFAR10、およびCIFAR100で0.9795 \％、0.6786 \％、4.0130 \％減少します。
また、不均衡なMnistおよびThinwallデータセットでそれぞれプライバシーコストギャップ（$ \ Pi $）を89.8332％および60.5541％削減します。
最後に、DP-SGD-Global-Adapt-V2-TおよびDP-SGD-Global-Adapt-V2-Sの切り捨てられた濃縮差別的プライバシー（TCDP）を使用して、プライバシー予算を計算する数学的表現を開発します。

要約(オリジナル)

Differentially Private Stochastic Gradient Descent (DP-SGD) has become a widely used technique for safeguarding sensitive information in deep learning applications. Unfortunately, DPSGD’s per-sample gradient clipping and uniform noise addition during training can significantly degrade model utility and fairness. We observe that the latest DP-SGD-Global-Adapt’s average gradient norm is the same throughout the training. Even when it is integrated with the existing linear decay noise multiplier, it has little or no advantage. Moreover, we notice that its upper clipping threshold increases exponentially towards the end of training, potentially impacting the models convergence. Other algorithms, DP-PSAC, Auto-S, DP-SGD-Global, and DP-F, have utility and fairness that are similar to or worse than DP-SGD, as demonstrated in experiments. To overcome these problems and improve utility and fairness, we developed the DP-SGD-Global-Adapt-V2-S. It has a step-decay noise multiplier and an upper clipping threshold that is also decayed step-wise. DP-SGD-Global-Adapt-V2-S with a privacy budget ($\epsilon$) of 1 improves accuracy by 0.9795\%, 0.6786\%, and 4.0130\% in MNIST, CIFAR10, and CIFAR100, respectively. It also reduces the privacy cost gap ($\pi$) by 89.8332% and 60.5541% in unbalanced MNIST and Thinwall datasets, respectively. Finally, we develop mathematical expressions to compute the privacy budget using truncated concentrated differential privacy (tCDP) for DP-SGD-Global-Adapt-V2-T and DP-SGD-Global-Adapt-V2-S.

arxiv情報

著者 Sai Venkatesh Chilukoti,Md Imran Hossen,Liqun Shan,Vijay Srinivas Tida,Mahathir Mohammad Bappy,Wenmeng Tian,Xiai Hei
発行日 2025-02-05 18:23:11+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 26, 40, cs.CR, cs.LG | DP-SGD-Global-Adapt-V2-S: Triad Improvements of Privacy, Accuracy and Fairness via Step Decay Noise Multiplier and Step Decay Upper Clipping Threshold はコメントを受け付けていません

DeepIFSAC: Deep Imputation of Missing Values Using Feature and Sample Attention within Contrastive Framework

投稿日: 2025年2月6日 作成者: jarxiv

要約

現実世界の表形式データにおけるさまざまなパターンとレートの欠損値は、信頼できるデータ駆動型モデルの開発において重要な課題をもたらします。
既存の欠損価値代入法は、統計的および従来の機械学習を使用し、欠落率が高く、ランダムではない場合に効果がない。
このホワイトペーパーでは、欠損値を再構築するための新しいフレームワークで、特性とサンプル間の注意として表形式データの行と列の注意を探ります。
提案された方法は、対照的な学習フレームワーク内でCutMixデータ増強を使用して、欠損値推定の不確実性を改善します。
訓練された代入モデルのパフォーマンスと一般化は、欠損値を持つセットアサイドテストデータの折り目で評価されます。
提案されたフレームワークは、12個の表のデータセットの多様な選択で、いくつかの欠損値のタイプとレート（10 \％-50 \％）にわたって9つの最先端の帰属方法よりも優れています。
不足している値を持つ実際の電子健康記録を使用して、最先端の統計、機械学習、および深い代入法に対する提案されたフレームワークの優位性を実証する、帰属データの品質を評価します。
このペーパーでは、欠損値の種類とデータ特性に基づいて代入法を推奨するために、表形式のデータセットの不均一性を強調しています。

要約(オリジナル)

Missing values of varying patterns and rates in real-world tabular data pose a significant challenge in developing reliable data-driven models. Existing missing value imputation methods use statistical and traditional machine learning and are ineffective when the missing rate is high and not at random. This paper explores row and column attention in tabular data as between-feature and between-sample attention in a novel framework to reconstruct missing values. The proposed method uses the CutMix data augmentation within a contrastive learning framework to improve the uncertainty of missing value estimation. The performance and generalizability of trained imputation models are evaluated on set-aside test data folds with missing values. The proposed framework outperforms nine state-of-the-art imputation methods across several missing value types and rates (10\%-50\%) on a diverse selection of twelve tabular data sets. We evaluate the quality of imputed data using real-world electronic health records with missing values, demonstrating our proposed framework’s superiority to state-of-the-art statistical, machine learning, and deep imputation methods. This paper highlights the heterogeneity of tabular data sets to recommend imputation methods based on missing value types and data characteristics.

arxiv情報

著者 Ibna Kowsar,Shourav B. Rabbani,Yina Hou,Manar D. Samad
発行日 2025-02-05 18:29:09+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | DeepIFSAC: Deep Imputation of Missing Values Using Feature and Sample Attention within Contrastive Framework はコメントを受け付けていません

Taking a Big Step: Large Learning Rates in Denoising Score Matching Prevent Memorization

投稿日: 2025年2月6日 作成者: jarxiv

要約

除去スコアマッチングは、拡散ベースの生成モデルのパフォーマンスにおいて極めて重要な役割を果たします。
ただし、経験的最適スコア（除去スコアマッチングの正確な解決策）は、生成されたサンプルがトレーニングデータを複製する記憶に導きます。
しかし、実際には、明示的な正則化がなくても、適度な程度の暗記のみが観察されています。
この論文では、大きな学習率によって駆動される暗黙の正則化メカニズムを明らかにすることにより、この現象を調査します。
具体的には、小さなノイズ体制では、経験的最適スコアが高い不規則性を示すことを示します。
次に、十分な十分な学習速度で確率的勾配降下によって訓練された場合、ニューラルネットワークは任意の小さな過剰リスクで局所的な最小値に安定的に収束することができないことを証明します。
その結果、学習スコアは経験的最適スコアに任意に近づくことはできず、それにより暗記を軽減します。
分析を扱いやすくするために、1次元データと2層ニューラルネットワークを検討します。
実験は、1次元の設定を超えても、暗記を防ぐ際の学習率の重要な役割を検証します。

要約(オリジナル)

Denoising score matching plays a pivotal role in the performance of diffusion-based generative models. However, the empirical optimal score–the exact solution to the denoising score matching–leads to memorization, where generated samples replicate the training data. Yet, in practice, only a moderate degree of memorization is observed, even without explicit regularization. In this paper, we investigate this phenomenon by uncovering an implicit regularization mechanism driven by large learning rates. Specifically, we show that in the small-noise regime, the empirical optimal score exhibits high irregularity. We then prove that, when trained by stochastic gradient descent with a large enough learning rate, neural networks cannot stably converge to a local minimum with arbitrarily small excess risk. Consequently, the learned score cannot be arbitrarily close to the empirical optimal score, thereby mitigating memorization. To make the analysis tractable, we consider one-dimensional data and two-layer neural networks. Experiments validate the crucial role of the learning rate in preventing memorization, even beyond the one-dimensional setting.

arxiv情報

著者 Yu-Han Wu,Pierre Marion,Gérard Biau,Claire Boyer
発行日 2025-02-05 18:29:35+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | Taking a Big Step: Large Learning Rates in Denoising Score Matching Prevent Memorization はコメントを受け付けていません

Linearized Optimal Transport pyLOT Library: A Toolkit for Machine Learning on Point Clouds

投稿日: 2025年2月6日 作成者: jarxiv

要約

Pylot Libraryは、下流タスクで使用する線形化された最適輸送（LOT）技術と方法のPython実装を提供します。
パイプラインは、固定参照分布からの最適なトランスポートマップを介してヒルバート空間に確率分布を埋め込み、この線形化により、棚（線形）機械学習アルゴリズムを使用して下流のタスクを完了できます。
Lemur歯の3DスキャンでMLを実行するケーススタディを提供します。このケーススタディでは、分類、クラスタリング、寸法削減、およびデータ生成の元の質問が、埋め込まれた表現で実行される単純な線形操作に減少します。

要約(オリジナル)

The pyLOT library offers a Python implementation of linearized optimal transport (LOT) techniques and methods to use in downstream tasks. The pipeline embeds probability distributions into a Hilbert space via the Optimal Transport maps from a fixed reference distribution, and this linearization allows downstream tasks to be completed using off the shelf (linear) machine learning algorithms. We provide a case study of performing ML on 3D scans of lemur teeth, where the original questions of classification, clustering, dimension reduction, and data generation reduce to simple linear operations performed on the LOT embedded representations.

arxiv情報

著者 Jun Linwu,Varun Khurana,Nicholas Karris,Alexander Cloninger
発行日 2025-02-05 18:34:38+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.MS, stat.CO, stat.ML | Linearized Optimal Transport pyLOT Library: A Toolkit for Machine Learning on Point Clouds はコメントを受け付けていません

Discretely Beyond $1/e$: Guided Combinatorial Algorithms for Submodular Maximization

投稿日: 2025年2月6日 作成者: jarxiv

要約

必ずしも単調なモジュールの最大化ではない制約の場合、$ 1/e $を超える比率を持つすべての既知の近似アルゴリズムには、サブモジュラー関数の多線形拡張とその勾配のクエリなど、通常のセットとシミュレートするために高価な勾配など、継続的なアイデアが必要です。
関数。
組み合わせアルゴリズムの場合、サイズとマットロイドの制約の両方で最も既知の近似比は、Buchbinder et al。の単純な無作為化貪欲なアルゴリズムによって得られます。
[9]：$ 1/e \ $ 1/e \サイズの制約に対して約0.367 $、$ \ mathcal o（kn）$ queriesのMatroid制約の場合は0.281 $ $ 0.281 $、$ k $はMatroidのランクです。
この作業では、最初の組み合わせアルゴリズムを開発して、$ 1/e $バリアを破る：サイズの制約のためのサブモードゥラーセット関数の$ \ mathcal o（kn）$ QUERIEで0.385ドルの近似比を取得します。
一般的なマットロイドの制約。
これらは、ランダム化された貪欲なアルゴリズムを高速ローカル検索アルゴリズムで導くことによって達成されます。
さらに、これらのアルゴリズムの決定論的バージョンを開発し、同じ比率と漸近時間の複雑さを維持します。
最後に、比率$ 0.377 $の決定論的でほぼ線形の時間アルゴリズムを開発します。

要約(オリジナル)

For constrained, not necessarily monotone submodular maximization, all known approximation algorithms with ratio greater than $1/e$ require continuous ideas, such as queries to the multilinear extension of a submodular function and its gradient, which are typically expensive to simulate with the original set function. For combinatorial algorithms, the best known approximation ratios for both size and matroid constraint are obtained by a simple randomized greedy algorithm of Buchbinder et al. [9]: $1/e \approx 0.367$ for size constraint and $0.281$ for the matroid constraint in $\mathcal O (kn)$ queries, where $k$ is the rank of the matroid. In this work, we develop the first combinatorial algorithms to break the $1/e$ barrier: we obtain approximation ratio of $0.385$ in $\mathcal O (kn)$ queries to the submodular set function for size constraint, and $0.305$ for a general matroid constraint. These are achieved by guiding the randomized greedy algorithm with a fast local search algorithm. Further, we develop deterministic versions of these algorithms, maintaining the same ratio and asymptotic time complexity. Finally, we develop a deterministic, nearly linear time algorithm with ratio $0.377$.

arxiv情報

著者 Yixin Chen,Ankur Nath,Chunli Peng,Alan Kuhnle
発行日 2025-02-05 18:41:14+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.DM, cs.DS, cs.LG | Discretely Beyond $1/e$: Guided Combinatorial Algorithms for Submodular Maximization はコメントを受け付けていません