linear programming
PulseAugur coverage of linear programming — every cluster mentioning linear programming across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
Research in LP is increasingly leveraging functional analysis and advanced mathematical concepts.
The paper on VC dimension bounds in L_p spaces utilizes functional analysis techniques and a no-dimensional Radon theorem. This indicates a trend towards applying sophisticated mathematical frameworks to extend LP's theoretical underpinnings and applicability to more abstract spaces.
LP-based methods will be integrated into verifiable AI for NP-hard optimization.
The introduction of CASP, a method using verifiable certificates to improve NP-hard optimization, highlights a move towards more robust AI solutions. Given LP's role in optimization, it's plausible that LP formulations will be incorporated into such verifiable systems to enhance their reliability and sample efficiency.
Linear programming applications will expand into advanced data clustering techniques.
Recent evidence shows linear programming being used to approximate hierarchical clustering into trees and bounded-diameter graphs. This suggests a growing trend of applying LP to complex data partitioning problems beyond traditional optimization, potentially leading to new clustering algorithms.
-
使用马尔可夫状态进行在线资源分配的新框架
这篇研究论文介绍了一种利用内生马尔可夫状态的新型在线资源分配框架，其中行动会影响未来的状态转换和奖励。该研究确定了频繁或不频繁地重新求解线性规划（LP）问题可带来最优或接近最优结果的条件，重点关注遗憾最小化。该论文提出了一种针对未知请求先验场景的U型不频繁重解策略，并证明了其在协调学习和库存纠正方面的有效性。
-
新的DFL方法通过占用测度方法解决了MDP的可扩展性问题
研究人员开发了一种新的决策导向学习（DFL）方法，用于马尔可夫决策过程（MDP），该方法解决了现有方法在可扩展性方面的局限性。通过将MDP重新表述为基于占用测度的线性规划（LP），该新技术推导出了闭式梯度，并克服了与不连续梯度和状态大小扩展相关的挑战。该方法采用增强拉格朗日代理和随机行草图，以及软状态聚合层，以有效地处理大型和连续状态空间。实验结果表明，与先前的基于KKT的DFL和两阶段基线相比，该方法实现了更低的遗憾和显著降低的计算成本。
-
新方法将深度神经网络与线性规划相结合用于动态规划
研究人员提出了一种新颖的方法来近似解决动态规划问题，尤其是在强化学习中常见的高维场景下。该方法结合了深度神经网络和线性规划算法来最小化Bellman误差。通过在收益管理中的网络容量控制问题上进行演示，该方法显示出与现有基准相比具有竞争力。
-
鲁棒马尔可夫决策过程的新线性规划表示和算法
本文为鲁棒马尔可夫决策过程（RMDP）引入了新的线性规划（LP）表示和强多项式算法。研究侧重于奖励和转移不确定性的RMDP，特别是在有理多面体状态-动作矩形不确定性范围内。通过编码鲁棒策略迭代步骤，该研究构建了一个单一的LP，可以恢复最优鲁棒值和策略。本文还对鲁棒策略迭代进行了通用复杂度分析，从而改进了各种RMDP类型的复杂度界限，并为一般的区间、加权 $\ell_1$ 和 Wasserstein RMDPs 以及回合制随机博弈建立了…
-
新的分层神经算子提高了偏微分方程求解效率
研究人员推出了一种新颖的分层隐式神经算子 HiLNO，旨在提高学习偏微分方程 (PDE) 解的效率和准确性。该方法通过采用精细到粗略再到精细的隐式空间和多尺度监督来解决压缩过程中信息丢失的挑战。HiLNO 还结合了各向异性高斯注意力，以促进其分层结构中的特征传递，使其能够应用于通用几何。实验表明，与 LinearNO 等现有方法相比，HiLNO 在参数数量和计算负载方面显著减少的情况下，实现了具有竞争力的准确性，并证明了其对未见空间分…
-
新方法通过效用设计优化多智能体系统性能
研究人员开发了一种线性规划方法，用于推导多智能体系统的最优效用函数，旨在通过纯协调价格（pPoA）来衡量和提高系统性能。该新方法首次解决了任意信息网络的最佳效用设计问题，将先前仅限于完全信息设置的工作进行了泛化。对于超模目标函数，研究证明了在不进行通信的情况下进行效用设计是最佳的，无论网络结构如何。此外，对于次模目标，数值分析表明其对通信故障具有鲁棒性；对于最大覆盖问题，特定的边际贡献效用设计被证明可以优化各种网络上的pPoA。
-
将AI对齐重构为使用福利经济学的社会选择问题
一篇新论文提出将AI对齐问题重新表述为社会选择问题，超越了标准的人类反馈强化学习。研究表明，通过关注算法的福利后果，可以使用线性优化以及福利经济学和机制设计中的工具来处理对齐问题。该框架允许将对齐协议转化为福利结果，反之亦然，并通过人类对肾脏分配和LLM响应等各种场景的偏好进行了实证演示。
-
新的$(\text{DNN})^2$方法增强了神经网络验证
研究人员开发了一种名为$(\text{DNN})^2$的新方法，用于改进深度神经网络的验证，特别是那些使用ReLU（整流线性单元）的网络。现有方法由于松弛中的差距，通常提供过于保守的安全保证。虽然完全正程序（CPP）公式可以弥合这些差距，但计算上不可行。提出的$(\text{DNN})^2$方法提供了一种更易于处理的松弛，它将关键约束保留为半定规划（SDP），解决了之前限制其使用的可扩展性问题。这种新方法利用了一种新颖的特征值最大化程…
-
新论文探讨鞅中的信息流，统一了集中不等式
一篇新发表在arXiv上的论文详细介绍了在非负鞅的路径空间中理解信息流的进展。该研究引入了精确的变分恒等式，即使在任意随机时间也适用，统一并扩展了如Ville和PAC-Bayesian学习等经典集中不等式。该工作还量化了与任意随机时间预测相关的“窥探惩罚”，并探讨了测试鞅的几何混合如何使多模型安全测试受益。
-
输入凸神经网络在优化方面优于前馈神经网络
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…
-
新的混合整数规划方法提供更快的变化点检测
开发了一种新的离线多变化点检测混合整数规划（MIP）方法，将该问题构建为全局最优分段线性拟合任务。该方法引入了具有线性规划松弛的强化MIP公式，该松弛对分段分配变量提供积分投影，从而提供比现有技术更严格的松弛。该框架还扩展到具有共享变化点的多维分段线性模型，计算实验表明与当前最先进的方法相比，求解时间显著减少。
-
新的GNN-GA算法优化物理互联网供应链
研究人员开发了一种新颖的图神经网络引导遗传算法（GNN-GA），用于优化物理互联网框架内的复杂供应链网络。该方法结合了离散分配决策和连续流量问题，解决了成本不确定性问题。GNN组件有助于初始化遗传算法的种群，并根据预测不确定性调整变异策略，在测试中表现优于标准的遗传算法和模拟退火。
-
质量感知注意力机制提升了AI模型的信息保留能力
研究人员开发了一种名为质量感知注意力机制（Mass-Aware Attention, MAA）的新型注意力机制，旨在提高AI模型内部表征的信息量。标准的注意力机制在累积证据时会丢失信息，尤其是在模式重复的情况下。MAA通过将L1归一化推广到Lp族来解决这个问题，允许表征以不同的速率缩放，并保留有关输入数量的信息。该方法在各种时间图模型和数据集上显示出改进，增强了图统计和优先依附的恢复能力。
-
新的CASP方法使用可验证证书来改进NP难优化问题
一篇新研究论文介绍了一种名为CASP（Certificate-Augmented Solution Pruning，证书增强型解剪枝）的方法，该方法旨在利用机器学习预测来提高解决NP难优化问题的效率。与依赖未经检查的预测的传统方法不同，CASP包含一个可靠的多项式时间验证器，无论预测质量如何，都能确保正确性。此验证过程限制了诱导损失，使得证书参数的学习所需样本量远少于未经验证的方法。实验表明，当使用训练好的预测器时，CASP不会损失最…
-
新算法近似聚类成树和有界直径图
研究人员开发了新的层次聚类问题的近似算法，特别是当目标是将数据划分为树或具有有界直径的图时。所提出的框架利用线性规划，并适用于相关的平面聚类问题 $p_{\mathcal{F}}$-Partitioning 可以用整数线性规划和舍入程序来制定的图类。研究还表明，在小集扩展假设下，将这些聚类问题近似到任何常数因子内是不太可能的。
-
L_p空间中部分概念类的新VC维度界限
研究人员已将VC维度的概念扩展到部分函数，特别关注实数Banach空间中的几何部分概念类（PCCs）。他们为L_p空间中扩展球的VC维度建立了无维度的上界，这些上界独立于环境维度和底层测度空间。这些发现建立在欧几里得空间先前工作的基础上，并包括匹配的下界以及L_p空间中新的稠密邻域引理，利用了泛函分析技术和一个无维度的Radon定理。
-
新的ARDL模型将公平性融入零售定价策略
研究人员开发了一种新的零售动态定价方法，该方法包含公平性约束，以平衡盈利能力和消费者福利。该方法使用对数-对数自回归分布滞后（ARDL）模型来预测零售销售，并通过优化定价决策来最大化销售，同时遵守与消费者价格指数（CPI）挂钩的价格上限。该框架旨在通过确保价格不超过以CPI为锚定的上限来防止消费者被剥削，并使用模拟退火来寻找能够降低消费者成本但仍能实现销售目标的保守价格。研究还对预测准确性与ARIMA和SARIMA等传统模型进行了基准…
-
新方法从数百篇 MILP 论文中构建铁路重新调度知识体系
研究人员开发了 LP Mining with LP2Graph，一种从数百篇关于混合整数线性规划（MILP）在铁路重新调度中应用的文章中提取和构建知识的新方法。该方法将每个公式表示为一种类型化的变量-方程图，创建了一个可复现的数据集和一个模型类型的客观分类。该系统已通过使用各种求解器重新生成和重新求解公式得到验证，展示了其在铁路重新调度中自动化模型开发的潜力。
-
新的AI框架通过多智能体精炼解决优化问题 · 跟踪4个来源
研究人员推出OptiAgent，一个多智能体框架，旨在将运筹学问题的自然语言描述转化为求解器就绪的数学公式和可执行代码。该系统采用专门的智能体进行结构提取和迭代自我纠正，并设有一个新颖的多循环验证架构来处理各种故障模式。另外，一个名为MMAO-Dyn的新变体已被开发出来，它通过将内部状态映射到非平稳环境来扩展代谢多智能体优化器（MMAO）以处理动态优化问题。MMAO-Dyn在动态连续优化任务中的性能优于几种基准方法。
-
新的LiFT框架使用线性规划来控制Transformer过拟合
研究人员推出了一种新颖的Transformer模型微调框架LiFT，该框架利用线性规划来控制过拟合。该方法将微调表述为一个双层优化问题，联合更新模型参数和正则化超参数。通过求解线性规划，LiFT识别出一种面向验证的下降方向以进行集中更新，从而减少了广泛重新训练的需求。在WikiText-2上对GPT-2 Small进行的实验表明，LiFT能够有效地调整Transformer块和正则化参数，尤其是在易于过拟合的情况下，提高了测试困惑度。