基于低秩逼近构建修正 Ising 模型的分解机初始化方法
机器学习
2025-07-03 v3
摘要
本文提出了一种可准确逼近给定近似 Ising 模型的初始化方法，采用分解机 (FM)，这是一种机器学习模型。将 Ising 模型的构建应用于使用分解机进行黑盒组合优化问题中的 factorization machine with quantum annealing (FMQA)。预期通过实现 warm-start 方法来增强 FMQA 的优化性能。然而，针对 FMQA 利用 warm-start 方法的最佳初始化方法尚未确定。因此，本研究比较了基于随机初始化和低秩逼近的初始化方法，并通过数值实验确定了适合用于 warm-start 的方法。此外，使用随机矩阵理论分析了基于低秩逼近的 FM 初始化方法的特性，表明该方法的逼近精度不受特定 Ising 模型的影响。本研究的发现将促进黑盒组合优化领域研究通过使用 Ising 机器的进展。
关键词
引用
@article{arxiv.2410.12747,
title = {Initialization Method for Factorization Machine Based on Low-Rank Approximation for Constructing a Corrected Approximate Ising Model},
author = {Yuya Seki and Hyakka Nakada and Shu Tanaka},
journal= {arXiv preprint arXiv:2410.12747},
year = {2025}
}
备注
31 pages, 5 figures