Milpitas
PulseAugur coverage of Milpitas — every cluster mentioning Milpitas across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
HPE指控浪潮/Aivres侵犯专利并规避制裁
慧与（HPE）指控浪潮集团及其关联公司Aivres侵犯专利，声称Aivres本质上是浪潮在美国的更名运营实体。此前，HPE在2024年4月提起的诉讼寻求2亿美元赔偿。美国政府在2023年的一份文件中因浪潮集团与军民融合倡议有关而将其列入实体清单，但Aivres尽管被认定为同一家公司并从同一家Milpitas办公室运营，却未被同样列入。该情况凸显了通过更名来规避美国制裁的潜在策略，正如与Anthropic的模型进行比较所暗示的那样。
-
混合CDCL与CP-SAT架构加速设施布局优化
研究人员开发了一种结合了冲突驱动子句学习（CDCL）和CP-SAT求解器的混合架构，以加速离散设施布局优化。虽然CDCL擅长快速找到高度约束问题的可行解，但它在优化目标方面存在困难。新方法使用CDCL生成可行性提示，然后将其输入CP-SAT优化器，从而显著加快找到最优解的过程。
-
新的CP方法优化树集成模型的反事实解释
研究人员开发了一种名为CPCF的新约束编程（CP）方法，用于计算树集成模型中的最优反事实解释。该方法将数值特征编码为区间域，并将离散特征用原生的有限域表示，从而无需连续边界分析即可实现高效搜索。该研究在各种数据集和树集成类型上将CPCF与MaxSAT和MILP方法进行了比较，发现CP是最通用且性能普遍最好的方法。
-
研究人员开发用于电动汽车叫车服务的半马尔可夫强化学习，提高利润并确保可行性。
研究人员开发了一种新颖的半马尔可夫强化学习方法，用于管理大规模电动汽车叫车车队。该方法确保调度、重新定位和充电决策严格遵守充电器和馈线限制等物理约束，即使在需求和出行时间不确定的情况下也是如此。该系统利用掩码执行器产生高级意图，然后通过混合整数线性规划进行投影以保证可行性。在纽约市出租车数据集模拟器上的实验表明，名为 PD--RSAC 的方法显著优于基线方法，净利润达到 122 万美元，同时避免了任何馈线限制违规。
-
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。
-
AI框架融合LSTM和MILP以改进供应链预测和优化
研究人员开发了一种新颖的混合AI框架，用于需求-供应预测和优化（HAF-DS），以提高易受波动影响的行业的供应链效率。该框架集成了长短期记忆（LSTM）网络用于需求预测，以及混合整数线性规划（MILP）模型用于运营决策。实验表明，HAF-DS显著降低了预测误差和运营成本，从而降低了库存成本并减少了缺货情况。