PulseAugur
中
实时 11:04:28
English(EN) Input convex neural networks as surrogates in mathematical optimisation

输入凸神经网络在优化方面优于前馈神经网络

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了输入凸神经网络（ICNNs）作为传统前馈神经网络（FNNs）在数学优化问题中的更优替代方案。ICNNs 因其凸结构提供了计算优势，能够实现更紧密的线性规划松弛，并可能消除积分间隙。虽然具有 ReLU 激活函数的前馈神经网络可以重新表述为混合整数规划问题，但 ICNNs 通过上图表示允许进行基于 LP 的重新表述。在人道主义粮食援助、油井选址和葡萄酒调配等领域的案例研究表明，ICNNs 在匹配 FNN 准确性的同时，提高了求解时间和可扩展性，使其成为凸函数或近凸函数的有力选择。 AI

影响 ICNNs 通过提供更高效的计算方法，有可能简化物流和资源分配等领域的复杂优化任务。

排序理由 该集群包含一篇学术论文，详细介绍了神经网络在优化方面的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

输入凸神经网络在优化方面优于前馈神经网络

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yu Liu, Jan Kronqvist, Fabricio Oliveira ·

    将凸神经网络用作数学优化中的代理

    arXiv:2608.09707v1 Announce Type: cross Abstract: Embedding trained neural networks as surrogates within optimisation problems is an established practice in operations research. The prevailing approach uses feedforward neural networks (FNNs) with ReLU activations, whose piecewise…

相关实体

相关话题