PulseAugur
中
实时 23:18:28
English(EN) Generative Robust Optimisation

新框架使用生成模型进行鲁棒优化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了生成式鲁棒优化（GRO），一个利用深度生成模型来定义鲁棒优化问题不确定性集的新框架。与施加固定几何形状的传统方法不同，GRO采用神经网络解码器来表示现实世界数据中复杂、非线性的依赖关系。该框架通过一个五点评估系统进行评估，评估指标包括重建保真度、分布匹配、潜在规则性、鲁棒相关性和计算可行性。在生产规划和设施选址问题上的实验表明，GRO能够创建富有表现力、校准良好且对优化可行的不确定性集。 AI

影响 该框架可以提高复杂现实世界场景中优化问题的准确性和效率。

排序理由 该集群包含一篇详细介绍优化新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架使用生成模型进行鲁棒优化

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Vassilis M. Charitopoulos ·

    生成式鲁棒优化

    Classical uncertainty sets for robust optimisation impose fixed geometric shapes that cannot represent the complex dependencies present in real-world data. We propose Generative Robust Optimisation (GRO), a framework in which a deep generative model defines the uncertainty set as…

相关实体

相关话题