327 Arbeiten
Dieser Artikel stellt das Eckstein-Ferris-Pennanen-Robinson-Dualitätskonzept erneut vor, indem er Paramonotone als Bedingung für die Übereinstimmung von Sattelpunkten mit dem Lösungsrechteck identifiziert, totale Dualität im Subdifferentialkontext charakterisiert und Projektionsformeln für die Analyse des Chambolle-Pock-Algorithmus herleitet.
Dieses Papier stellt den AGILS-Algorithmus vor, der auf einer Moreau-Umhüllungs-Reformulierung basiert, um Bilevel-Optimierungsprobleme mit ungenauen Lösungen des unteren Niveaus effizient zu lösen und deren Konvergenz unter der KL-Eigenschaft nachzuweisen.
Diese Arbeit analysiert den State-Dependent Riccati Equation (SDRE)-Ansatz für die nichtlineare optimale Steuerung durch theoretische Fundierung, Fehlerabschätzungen und einen Vergleich numerischer Verfahren, wobei die Newton-Kleinman-Iteration in einem Experiment mit einer nichtlinearen Reaktions-Diffusions-Gleichung als effizientere und stabilere Methode gegenüber dem Offline-Online-Ansatz identifiziert wird.
Die Arbeit stellt eine allgemeine Methode zur Szenarioreduktion für distributionell robuste Optimierung vor, die durch Projektion der Ambiguitätsmenge auf eine reduzierte Szenariomenge die Recheneffizienz bei nur geringen Qualitätsverlusten signifikant verbessert.
Dieses Papier stellt einen stochastischen Algorithmus vor, der fast sicher gegen die Operatornorm der Differenz zweier linearer Abbildungen konvergiert, wobei für eine Abbildung nur eine Black-Box-Bewertung und für die andere nur eine Black-Box für die adjungierte Abbildung verfügbar ist.
Die Autoren stellen eine schnelle und skalierbare Operator-Splitting-Methode vor, die durch eine spezialisierte Projektion auf CVaR-Bedingungen große quadratische Optimierungsprobleme mit Millionen von Szenarien effizient löst und dabei deutlich besser abschneidet als allgemeine Solver.
Diese Arbeit stellt einen allgemeinen Ansatz für Forward-Backward-Splittingsverfahren zur Lösung monotoner Inklusionsprobleme vor, der durch die Verwendung von Koeffizientenmatrizen bestehende Algorithmen erweitert und eine dezentrale Implementierung ermöglicht.
Die Arbeit stellt eine adaptive Replikationsstrategie für trust-region-basierte Bayesianische Optimierung vor, die durch die intelligente Zuweisung wiederholter Bewertungen bei stochastischen Funktionen mit hoher Varianz die Lösungspräzision und Recheneffizienz im Vergleich zu Baseline-Methoden erheblich verbessert.
Die Arbeit stellt StablePCA vor, einen verteilungsrobusten Rahmen zur Extraktion stabiler latenter Darstellungen aus multi-sourcigen Daten durch Maximierung der worst-case erklärten Varianz, der mittels konvexer Relaxierung und eines effizienten Mirror-Prox-Algorithmus mit globalen Konvergenzgarantien gelöst wird.
Die vorgestellte Arbeit schlägt ein einheitliches Deep-Meta-Learning-Framework vor, das durch das Entfalten eines konvergenten Optimierungsalgorithmus in eine neuronale Netzwerkarchitektur die beschleunigte Bildrekonstruktion bei Multi-Coil-MRI und die Synthese über verschiedene Modalitäten hinweg vereint, um durch adaptive Optimierung und Meta-Lernen eine robuste Generalisierung bei stark unterabgetasteten Daten und Domänenverschiebungen zu erreichen.
Die Arbeit stellt eine adaptive, proximal gesicherte augmentierte Lagrange-Methode zur Lösung nichtglatter DC-Optimierungsprobleme mit konvexen Nebenbedingungen vor, die unter einer modifizierten Slater-Bedingung die Konvergenz zu verallgemeinerten KKT-Punkten garantiert und durch numerische Experimente validiert wird.
Diese Arbeit entwickelt ein theoretisches Rahmenwerk für die optimale Steuerung von Wahrscheinlichkeitsdichten auf Maßräumen, das ein Maximum-Prinzip und die Hamilton-Jacobi-Bellman-Gleichung für unendlichdimensionale Verteilungsräume bereitstellt und durch einen skalierbaren Algorithmus mit tiefen neuronalen Netzen zur Lösung von Großraum-Multi-Agenten-Problemen ergänzt wird.
Das Paper stellt LoFT vor, eine neue Low-Rank-Adaptionsmethode, die durch die Projektion der Optimierer-Momente in den gleichen Unterraum wie die Gewichtsaktualisierung die Leistung von Full Fine-Tuning erreicht, ohne die Inferenzkosten zu erhöhen oder zusätzliche Hyperparameter zu benötigen.
Der Artikel beweist die globale Wohlgestelltheit stochastischer Third-Grade-Fluid-Gleichungen auf dem zweidimensionalen Torus unter additivem Rauschen und leitet durch die Umwandlung in ein deterministisches System sowie die Analyse linearisierter und adjungierter Gleichungen die Existenz und Eindeutigkeit optimaler Lösungen für ein Geschwindigkeits-Tracking-Kontrollproblem her.
Diese Arbeit stellt ein einheitliches Framework auf Basis der Davis-Wielandt-Schale vor, das durch die Einführung des rotierten skalierten relativen Graphen (-SRG) als Mischdarstellung von Verstärkung und Phase die konservativste zweidimensionale Stabilitätsbedingung für MIMO-LTI-Rückkopplungssysteme ableitet und visualisiert.
Diese Arbeit untersucht, wie böswillige KI-Anbieter durch mathematisch fundierte Manipulationen scheinbar faire und repräsentative Datensätze erzeugen können, um Compliance-Audits zu täuschen, und entwickelt darauf aufbauend statistische Methoden zur Erkennung solcher Täuschungsversuche.
Diese Arbeit stellt zentrale und verteilte ADMM-Frameworks vor, die durch eine kontinuierliche Relaxierung und Projektion auf Baumstrukturen große nichtkonvexe Optimierungsprobleme mit binären Variablen lösen, wobei numerische Experimente die hohe Qualität der Ergebnisse für hop-beschränkte Spannbäume im Multicommodity-Flow-Design belegen.
Diese Arbeit schlägt die Klasse von Methoden F²SA-p vor, die durch die Verwendung von p-ter Ordnung endlichen Differenzen zur Approximation des Hypergradienten die Komplexität für stochastische Bilevel-Optimierungsprobleme mit hochgradig glatten Funktionen auf verbessert und damit nahezu die untere Schranke von erreicht.
Diese Arbeit beweist die Existenz, Eindeutigkeit und globale -Regulärität positiver klassischer Lösungen für eine Klasse quasilinearer Hamilton-Jacobi-Bellman-Gleichungen auf beschränkten konvexen Gebieten mittels eines konstruktiven gewichteten monotonen Iterationsschemas, verknüpft diese Ergebnisse mit der stochastischen Kontrolltheorie durch eine probabilistische Herleitung und validiert das theoretische Rahmenwerk durch numerische Anwendungen in der Produktionsplanung und Bildrestauration.
Die Studie zeigt, dass im Gegensatz zur universellen Laufzeit des gierigen Suchalgorithmus die Leistung des von Parisi vorgeschlagenen zögerlichen Suchalgorithmus im Sherrington-Kirkpatrick-Modell nicht universell ist und empfindlich von der Verteilung der Kopplungsmatrix abhängt, insbesondere bei diskreten, äquidistanten Werten.