PulseAugur
中
实时 12:29:17
English(EN) Adversarial Instance Generation and Robust Training for Neural Combinatorial Optimization with Multiple Objectives

新框架提升AI求解器在复杂优化任务中的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，以增强深度强化学习求解器在多目标组合优化问题上的鲁棒性。该框架包括一种对抗性攻击方法，用于生成揭示求解器弱点的挑战性实例，以及一种对抗性训练策略，以提高在未见数据上的性能。在各种优化问题上的实验表明，所提出的攻击能有效识别求解器漏洞，而防御机制则显著提升了神经求解器的鲁棒性和泛化能力。 AI

影响 增强了AI求解器在复杂优化任务中的可靠性，有望提高物流和运营效率。

排序理由 这是一篇详细介绍新框架和改进AI求解器方法的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Wei Liu, Yaoxin Wu, Yingqian Zhang, Thomas B\"ack, Yingjie Fan ·

    面向多目标神经组合优化的对抗样本生成与鲁棒训练

    arXiv:2601.01665v2 Announce Type: replace-cross Abstract: Deep reinforcement learning (DRL) has shown great promise in addressing multi-objective combinatorial optimization problems (MOCOPs). Nevertheless, the robustness of these learning-based solvers has remained insufficiently…

相关实体

相关话题