linear programming
PulseAugur coverage of linear programming — every cluster mentioning linear programming across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
音频深度伪造模型解释被发现存在脆弱性
研究人员已经证明，音频深度伪造检测模型的解释是可以被操纵的。通过引入不易察觉的扰动，攻击者可以在不改变音频片段是否为深度伪造的最终预测的情况下，改变模型的归因热图。这种漏洞在各种最先进的架构上进行了测试，突显了当前音频分析可解释性方法的潜在弱点。
-
Lyapunov 框架增强了弱耦合 MDP 中的学习能力
研究人员开发了一个新颖的基于 Lyapunov 的框架，用于分析弱耦合马尔可夫决策过程 (WCMDP) 和无休止赌徒 (RB) 学习的样本复杂度。与朴素的约简方法相比，该方法提供了更有效的学习近最优策略的方法，实现了多项式样本和计算复杂度。该框架建立了具有改进最优性差距的有限样本 PAC 保证，并引入了对线性规划松弛的细粒度扰动分析作为一项关键技术贡献。
-
新基准套件评估运筹学中AI的自纠错能力
研究人员开发了ORLoopBench，这是一个旨在评估和改进运筹学（OR）中AI模型自纠错和行为理性能力的新基准套件。该套件包括OR-Debug-Bench，其中包含超过5000个用于修复不可行线性规划（LP）和混合整数规划（MILP）模型的实例，以及用于评估决策理性能力的OR-Bias-Bench。使用求解器内循环方法训练一个8B参数模型，显著提高了其在LP修复任务上的性能，超越了当前前沿API。
-
新的线性规划方法提高了流程一致性检查速度
研究人员通过将其重新表述为完全单模线性规划（LP）开发了一种新的流程一致性检查方法。这种LP方法显著加快了具有偏差的长流程跟踪速度，补充了现有的基于A*的启发式搜索，后者在较短、符合度高的跟踪上表现更好。对超过210万个实例的广泛评估表明，结合这两种方法可以实现平均38.6%的运行时节省和高选择准确率。
-
Modal 通过新的 GPU 技术将 AI 推理冷启动速度提高 40 倍
Modal 开发了一种新方法，可显著缩短 AI 模型推理的冷启动时间。通过采用 LP、FUSE、C/R 和 CUDA-checkpoint 等技术，他们实现了 40 倍的推理速度提升。这项进展旨在使无服务器 GPU 使用更高效、响应更迅速。
-
研究人员开发新的神经网络训练方法以提高MILP可解性
研究人员开发了用于神经网络代理模型的新训练正则化器，可直接提高其在混合整数线性规划（MILP）中的可解性。这些正则化器会惩罚诸如big-M常数和不稳定神经元等因素，并明确解决LP松弛差距。实验表明，这些方法在保持精度的同时，可以将MILP求解时间缩短多达四个数量级。
-
SOC-ICNN: 从多面体到圆锥几何，用于学习凸代理函数
研究人员推出了一种新颖的神经网络架构 SOC-ICNN，它将表示能力从经典的基于 ReLU 的输入凸神经网络 (ICNN) 扩展开来。通过从线性规划 (LP) 泛化到二阶锥规划 (SOCP)，SOC-ICNN 能够原生融入平滑曲率，同时保持优化理论解释。这一进展在不增加计算复杂性的情况下拓宽了表示空间，从而提高了下游任务中的函数逼近和决策质量。