新的算法通过学习增强优化在线顶点覆盖

本文介绍了用于在线加权顶点覆盖问题的学习增强算法，重点关注二分图和一般图。所提出的算法提供了最优的鲁棒性-一致性权衡，其中一个随机算法在二分图上实现了 $\frac{1}{1-e^{-\lambda}}$-鲁棒和 $\frac{\lambda}{1-e^{-\lambda}}$-一致的性能，而一个确定性算法则为一般图提供了 $(1+\frac{1}{\lambda})$-鲁棒和 $(1+\lambda)$-一致的结果。在合成和真实世界数据集上的实验验证支持了这些算法的有效性。 AI

影响 引入了具有在优化和图论问题中潜在应用的新算法方法。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了计算问题的新算法。[lever_c_demoted from research: ic=1 ai=0.4]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• ScienceCast
• Shengcai Liu

• 论文
• 其他

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