Hacktoberfest 2026: die Issues, die Maintainer für den Oktober markiert haben – offen und einsteigerfreundlich. Hacktoberfest-Issues durchsuchen

Differentiable Optimization API

Offen
  • Stimmt etwas nicht?
#2,969 2 Kommentare 1 Reaktion 0 zugewiesene Personen Auf GitHub ansehen

Maintainer antworten meist innerhalb von 1 Tag

Dieses Issue hat noch niemand übernommen.

Bewertung

Schwierigkeit
5/5
Geschätzter Aufwand
Über eine Woche
Anfängerfreundlichkeit
25/100
Issue-Typ
Feature
Klarheit
Muss geklärt werden
Aktivitätsstatus
Veraltet
Tech-Stack
julia
Bereich
backend-api-design

Rechercherichtung

Beginne mit der anfänglichen Diskussion in DiffOpt.jl PR #344 und vergleiche die referenzierten DiffOpt-lpbasis-, MadDiff- und Moreau-Implementierungen. Prüfe, wie sie Sensitivitätsattribute, Differenzierungsfunktionen, Resets, Parameter, Koeffizientenfunktionen, Lazy-Getter und JuMP-Level-Helfer behandeln; als abgeschlossen gilt die Arbeit, wenn eine vereinbarte minimale API feststeht, da keine Zieldateien oder Tests genannt sind.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Beschreibung

What is the minimal API for differentiable optimization?

  1. Attributes to pass input forward and reverse sensitivities.
    1. forward inputs sensitivities: are numbers associated with the coefficients of the problem or parameters
    2. reverse inputs sensitivities: are numbers associated with variables
  2. functions to perform the diff (analogous to optimize!)
  3. Attributes to query output forward and reverse sensitivities.
    1. forward outputs sensitivities: are numbers associated with variables
    2. reverse outputs sensitivities: are numbers associated with the coefficients of the problem or parameters

Important aspects:
a. A function to reset all input sensitivities is extremely important in practice, as resetting manually is very inefficient.
b. Parameters are extremely useful here. Having used DiffOpt and talking to users it is clear that it is very error-prone to touch coefficients directly (also see: https://arxiv.org/abs/2510.25986). POI is almost essential here.
c. Passing coefficients individually is suboptimal because it does not play well with bridges. Passing coefficient sensitivities as functions is key to making it work smoothly. For getters, Lazy operations are importants as we are usually no interested in absolutely every single coefficient
d. In practice, helper methods for objective sensitivity are a lifesaver.
e. Having a JuMP level API is much more ergonomic than having MOI.set and get all around.

We already have use case for existing solvers:

Additional points:

  • In DiffOpt, we did not put much effort into sensitivities associated with duals. Attribute-wise, there is nothing special here, but we never have a concrete use case, so we did not venture into it.

Initial discussion in: https://github.com/jump-dev/DiffOpt.jl/pull/344

Vorherrschende Sprache
Julia
Sterne
506
Forks
103
Ø Merge
1 T. 10 Min.
Gemergte PRs (30 T.)
12

Entwicklungsumgebung

Dieses Projekt bietet weder Dev-Container noch Dockerfile noch Beitragsleitfaden – die Einrichtung liegt bei Ihnen. Beginnen Sie mit der README; die allgemeinen Schritte stehen in unserem Leitfaden für den ersten Beitrag.

Erste Schritte

  1. Lesen Sie das ganze Issue und danach den Beitragsleitfaden des Projekts.
  2. Schreiben Sie ins Issue, dass Sie es übernehmen — das erspart doppelte Arbeit.
  3. Forken Sie das Repository und arbeiten Sie in einem Branch.
  4. Öffnen Sie einen Pull Request, der die Issue-Nummer nennt.

Mehr aus jump-dev/MathOptInterface.jl

Alle Issues in jump-dev/MathOptInterface.jl

Ähnliche Issues

Weitere Issues zu Julia

Neue Issues direkt in Ihr Postfach

Eine kurze Übersicht über anfängerfreundliche GitHub-Issues.