혼합정수 최적화 조기 종료를 위한 컨포멀 예측 기반 학습 프레임워크

초록

본 논문은 혼합정수 프로그램(MIP) 해결 과정에서 최적해가 이미 발견된 시점에, 최적성 증명에 소요되는 시간을 크게 단축하고자 한다. 솔버의 현재 상태(상한·하한·노드 수 등)를 입력으로 LSTM 기반 신경망이 실제 최적성 격차를 예측하고, 컨포멀 예측을 이용해 “예측 격차 ≤ 임계값”이 만족될 때 조기에 종료하도록 설계한다. 캘리브레이션 단계에서 오류 확률 α와 허용 격차 ε를 지정하면, 새로운 인스턴스에 대해 P(gap ≤ ε) ≥ 1 − α 라는 확률적 보장을 제공한다. MIPLIB 배포형 데이터셋 5가지 문제군에서 평균 60 % 이상의 시간 절감과 0.1 % 이하의 최적성 오차를 95 % 확률로 달성하였다.

상세 분석

이 연구는 기존 MIP 가속화 연구와는 근본적으로 다른 접근법을 제시한다. 전통적인 방법은 분기·경계(branch‑and‑bound) 과정에서 분기 변수 선택, 절단면 생성, 휴리스틱 파라미터 튜닝 등 내부 의사결정을 개선해 최적해에 도달하는 속도를 높이는 데 초점을 맞추었다. 반면 저자는 “이미 최적해에 충분히 가까운 해가 존재한다면, 언제 멈출 것인가”라는 질문을 제기하고, 이를 확률적 보장을 갖는 학습 기반 종료 기준으로 전환한다.

핵심 아이디어는 두 단계로 구성된다. 첫째, 솔버가 매 순간 유지하는 상한 Uθ(t)와 하한 Lθ(t) 등을 포함한 상태 벡터 Xθ(t) 를 LSTM 네트워크 h에 입력해, 스케일링 함수 ϕ를 통해 예측 격차 ĝθ(t)=ϕ(h(Xθ(t)); Lθ(t), Uθ(t)) 를 산출한다. 여기서 ϕ는 예측값을