combinatorial optimization
PulseAugur coverage of combinatorial optimization — every cluster mentioning combinatorial optimization across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新研究探索组合优化的混合神经网络求解器
两篇新研究论文探讨了用于组合优化问题的先进神经网络方法。第一篇论文介绍了 HyCO，一种结合了强化学习和扩散模型的混合求解器，其遗憾值低于单独使用任一方法。第二篇论文研究了图神经网络，通过引入能量空腔法（energetic cavity method）的概念对其进行修改，以提高在伊辛模型（Ising models）上的性能，但指出模拟退火（simulated annealing）仍然具有竞争力。
-
Pointer Networks with Q-Learning for Combinatorial Optimization
一篇研究论文介绍了一种新颖的神经网络架构 Pointer Q-Network (PQN)，旨在改进组合优化任务的序列生成。PQN 将无模型 Q 值近似与 Pointer Networks 相结合，利用马尔可夫决策过程框架和基于 LSTM 的循环神经网络。该方法旨在通过 Q 值动态调整注意力分数，以提高长期结果预测能力，特别是在旅行商问题等任务上。
-
LLMs 使用 ATLAS 框架从头开始合成算法 · 跟踪 2 个来源
研究人员开发了 ATLAS，一个使用大型语言模型 (LLM) 进行无支架算法合成的新颖框架。与先前在固定结构内进行优化的方法不同，ATLAS 允许 LLM 为组合优化问题自由选择和重构组件及控制流。该系统采用错误检测、修复和基于相似性的存档管理来处理扩大的搜索空间并防止过早收敛。在四个 NP-hard 问题上，ATLAS 的性能优于现有的组件合成方法和基线全合成方法，同时与人类设计的算法相比仍具有竞争力。
-
综述将组合优化与可信机器学习联系起来
一篇新的综述论文探讨了组合优化（CO）与可信机器学习（ML）的交叉领域。它强调了如何利用面向优化和认证的推理来理解和改进ML模型的透明度、可解释性、鲁棒性、公平性、隐私性和可认证性等属性。该论文回顾了可解释模型学习、鲁棒性分析和公平性审计等领域的进展，并指出尽管存在可扩展性挑战，但CO公式通过提供全局保证和形式化认证，比启发式方法具有优势。
-
新的神经证书定价方法解决了组合优化问题
研究人员开发了一种名为神经证书定价（NCP）的新的无监督学习框架，以解决复杂的组合优化问题。NCP训练一个神经网络来预测对偶价格，然后由结构化恢复层使用这些价格来构建对偶边际。该方法旨在通过学习残差价格来摊销分离过程，与现有的神经基线相比，可能提供显著的计算节省和更好的泛化能力。
-
深度学习革新晶体结构预测与分析
研究人员开发了新的深度学习方法用于晶体结构预测和分析。其中一种方法 CrystalX 使用深度学习自动化常规的 X 射线衍射分析，其性能优于现有的自动化方法，甚至能识别同行评审出版物中的错误。另一种方法采用图神经网络进行组合优化，通过高效地分配原子来预测晶体结构，在与商业求解器的竞争中表现出竞争力。