ILP-Solver

Beschreibung:

Integrale lineare Probleme kommen im maschinellen Lernen im Kontext von strukturierten Vorhersageprobleme vor. Die resultierenden Probleme sind sehr groß und müssen gleichzeitig schnell gelöst werden. Wir entwickeln schnelle, flexible und theoretisch fundierte Algorithmen für deren Lösung mit einem besonderen Fokus auf parallelisierbare GPU-Algorithmen.

Literatur:

• "FastDOG: Fast Discrete Optimization on GPU", Abbas, Ahmed and Swoboda, Paul, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2022 
• "Structured Prediction Problem Archive", Swoboda, Paul and  Andres, Bjoern, Bernard, Florian, Irmai, Jannik, Hornakova, Andrea and Roetzer, Paul and Savchynskyy, Bogdan and Stein, David and Abbas, Ahmed, Arxiv 2022 
• "Efficient Message Passing for 0-1 {ILPs} with Binary Decision Diagrams", Lange, Jan-Hendrik and Swoboda, Paul, Proceedings of the International Conference on Machine Learning (ICML) 2021
• "MAP inference via Block-Coordinate Frank-Wolfe Algorithm", Swoboda, Paul and Kolmogorov, Vladimir, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2019 
• "A Dual Ascent Framework for Lagrangean Decomposition of Combinatorial Problems", Swoboda, Paul and Kuske, Jan and Savchynskyy, Bogdan, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2017