semidefinite programming
PulseAugur coverage of semidefinite programming — every cluster mentioning semidefinite programming across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
深度神经网络框架简化交流潮流故障分析
研究人员开发了一种新颖的交流潮流故障分析框架，该框架使用单个深度神经网络（DNN）来预测故障后的运行状态。该方法旨在减轻传统方法相关的计算负担，传统方法通常需要大量的特定于停电的训练数据。所提出的方法将状态预测构建为不动点迭代，并包含半定规划（SDP）公式来认证DNN的收敛条件。在IEEE 118总线系统上的测试表明，SDP公式是有效的，并且该方法以很少的迭代次数准确地估计了故障后的状态。
-
新的SSLD方法通过SDP预处理增强了图着色启发式算法
研究人员开发了一种名为SSLD（半定谱学习与DSATUR）的新方法，该方法增强了NP难图着色问题的DSATUR启发式算法。SSLD通过识别高质量的初始颜色类别来预处理图，使用半定规划，类似于计算Lovász theta数的方法。在DSATUR完成着色之前应用此预处理步骤，已证明在包括DIMACS、随机图和调度问题在内的各种基准实例中，其性能与DSATUR和朴素基线相当或更优。虽然SSLD比DSATUR慢得多，但它展示了SDP引导的预处…
-
半定规划应用于量子信道学习
一篇新论文详细介绍了半定规划（SDP）在从经典数据重构量子信道问题中的应用。由Vladislav Malyshkin领导的研究强调，当总保真度是二次型之比时，SDP可以有效地解决保真度优化问题。研究发现，相对较小的Kraus秩通常足以描述实验数据，这表明更简单的量子信道通常可以模拟观测到的现象。该论文还探讨了将此理论应用于重构投影算符，并讨论了一个用于量子信道变换的经典计算模型。
-
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…
-
在Lean中形式化旗代数以进行图论证明
研究人员在Lean证明助手内开发了Razborov的旗代数方法的机器检查形式化。这种形式化实现了一个编译器，可以将半定规划输出转换为可验证的代数证明。该系统已成功生成了七个Turán型上界的正式证明，包括Mantel定理和Erdős五边形定理，以及各种图结构的密度界。
-
新框架对具有理论保证的MAXCUT聚类算法进行分析
本文介绍了一个新的框架，用于分析用于划分从两个亚高斯分布混合物中抽取的样本的三个算法——SDP1、BalancedSDP和谱聚类。研究人员为这些算法提供了统一的理论保证，表明只要定义的信噪比（SNR）足够高，即使在部分恢复的情况下，它们也能实现多项式错误分类率。此外，研究表明SDP1和BalancedSDP的错误分类误差随SNR呈指数衰减，当簇大小相等时，BalancedSDP无需显式去偏。
-
用于机器学习中混合模型的新的半定规划方法
一篇新的研究论文介绍了一种半定规划方法，该方法使用诸如高斯混合模型之类的分布混合物来近似目标测度。该方法在确定混合模型阶数和在高维环境中估计参数方面特别有用。该方法提供了一个松弛层次结构，该结构收敛于最优值，并可应用于聚类问题，可能加速标准算法的收敛。
-
神经网络高精度预测量子材料特性
研究人员开发了一个新的神经网络框架，旨在以更高的准确性和效率预测双粒子约化密度矩阵（2-RDMs）。该框架将可表征条件直接纳入其架构和损失函数，使其能够在不同的动量网格上运行。该方法被应用于研究扭曲双层MoTe$_2$中的分数陈绝缘体，在2-RDM和基态能量方面取得了高度准确的预测，在参数数量和能量准确性方面优于传统的半定规划方法。
-
新的随机算法解决了NP难稀疏PCA问题
研究人员开发了一种新的稀疏主成分分析（SPCA）随机近似算法，SPCA是一种对降维至关重要的技术，已知是NP难的。该算法利用基本半定规划（SDP）松弛来构建确定性和随机稀疏解，并从中选择最佳解。该方法以高概率提供了受稀疏度常数约束的近似比，并在某些技术假设下，提供了O(log d)的平均近似比，其中d是特征的数量。
-
新的SDP框架使AI代理能够构建状态空间
研究人员开发了一个名为“以状态为中心决策过程”（SDP）的新框架，以解决AI代理在语言环境中的局限性。SDP通过用自然语言谓词描述所需的世界状态，使代理能够构建状态空间和转移等必要输入。这种方法使代理能够创建经过认证的状态和轨迹，从而在规划、科学探索和问答任务的基准测试中取得更好的性能。
-
新方法通过集成模型和最坏情况分布分析增强鲁棒优化
研究人员开发了用于分布鲁棒优化（一种考虑数据分布不确定性的技术）的新方法。一种方法是集成分布鲁棒贝叶斯优化（Ensemble Distributionally Robust Bayesian Optimization），它使用模型集成来提高鲁棒性并实现理论上的次线性遗憾界限。另一篇论文介绍了分布鲁棒多目标优化（DR-MOO），其算法在最坏情况分布下最小化目标，从而提高了样本复杂度。此外，还提出了一个用于分布鲁棒学习的框架，以优化一阶方…
-
研究人员在约束线性二次调节器的安全学习控制中实现了近乎最优的遗憾
研究人员开发了一种用于约束随机线性二次调节器自适应控制的新算法。该算法实现了近乎最优的遗憾 $\tilde{O}(\sqrt{T})$ 并满足了机会约束，能够处理无界噪声。该方法包括使用半定规划选择一个乐观策略，然后将其缩减以确保安全，理论保证源于新颖的基于协方差的分析。