332 Arbeiten
Diese Arbeit liefert eine straffe Konvergenzanalyse des Polyak-Schrittweiten-Verfahrens, indem sie die Tightness bekannter Raten nachweist, dessen Robustheit gegenüber Gleitkommafehlern zeigt und universelle Konvergenzgarantien für Funktionen mit Hölder-Schärfe und Hölder-Wachstum herleitet.
Diese Arbeit stellt einen funktionsfähigen Prototypen und einen rechen-effizienten Zuordnungsalgorithmus für das CABLESSail-Konzept vor, das mittels aktiver Seilsteuerung die Form eines Sonnensegels verändert, um sowohl den Strahlungsdruck zu manipulieren als auch ein robustes Drehmomentmanagement zu ermöglichen.
Diese Arbeit stellt ein Stratifizierungsframework für nichtlineare semidefinite Programmierung vor, das die Geometrie des nichtglatten KKT-Systems nutzt, um Regularitätseigenschaften zu charakterisieren und einen global konvergenten stratifizierten Gauss-Newton-Algorithmus mit lokaler quadratischer Konvergenz zu entwickeln.
Diese Arbeit entwickelt ein spieltheoretisches Modell, um die Anreize informeller und privater Transitsysteme zu analysieren, und zeigt auf, wie gezielte Eingriffe wie zentrale Routensteuerung und Quersubventionierung die durch dezentrales Gewinnstreben verursachten Effizienzverluste mindern können.
Dieses Paper stellt ein unfoldingsfreies Majorization-Minimization-Verfahren für nichtnegative CP- und Tucker-Tensorzerlegungen unter -Divergenzen vor, das durch die Nutzung von Tensor-Kontraktionen und einer gemeinsamen Majorisierungsstrategie sowohl mathematische Konvergenzgarantien als auch erhebliche Geschwindigkeitsvorteile gegenüber herkömmlichen Methoden bietet.
Diese Arbeit stellt ein einheitliches Kalkül zur Berechnung von Kurdyka-Łojasiewicz-Exponenten mittels des Rangsatzes und Lie-Gruppenaktionen vor, das ohne Glattheitsannahmen auskommt und die lineare Konvergenz verschiedener Algorithmen in der Matrixfaktorisierung sowie in neuronalen Netzen begründet.
Dieses Papier untersucht die optimale Konsum- und Portfoliostrategie eines Investors mit einem Nicht-Kreditierungs-Constraint im Kim-Omberg-Modell, indem es das duale Problem über Lagrange-Dualität in ein singuläres Steuerungsproblem überführt und dessen Lösung mittels eines zweidimensionalen optimalen Stoppproblems mit stochastischer Volatilität charakterisiert.
Diese Arbeit stellt einen exakten, geometrisch konvergenten und parallelisierbaren Algorithmus vor, der das räumliche Hypercube-Warteschlangenmodell auf heterogene Service-Raten erweitert und dabei eine über 1.000-fache Beschleunigung gegenüber herkömmlichen Lösungsverfahren für großskalige Notfallversorgungssysteme ermöglicht.
Diese Arbeit stellt einen neurodynamischen Duplex-Ansatz auf zwei Zeitskalen vor, der mithilfe von Projektionsgleichungen und neuronalen Netzen verteilungsrobuste geometrische gemeinsame Chance-Nebenbedingungs-Optimierungsprobleme mit unbekannten Verteilungen löst und dabei in Wahrscheinlichkeit zum globalen Optimum konvergiert.
Diese Arbeit stellt ein zweistufiges stochastisches Optimierungsmodell namens „OptBio" vor, das Investitions- und Betriebsentscheidungen für brasilianische Zuckerrohr-basierte Biokraftstoff- und Bioelektrizitätsanlagen unter Unsicherheit integriert, um risikoadjustierte Kosten zu minimieren und robuste, diversifizierte Strategien für die Energiewende zu unterstützen.
Basierend auf dem Prinzip der freien Energie schlägt die Arbeit einen verteilungsrobusten Lernansatz vor, der Exploration und Unsicherheitsbewältigung vereint, um zuverlässige Robotersteuerung zu ermöglichen, die sich durch eine verbesserte Sim-zu-Real-Übertragbarkeit und eine erfolgreiche Null-Shot-Deployment-Strategie bei Manipulationsaufgaben auszeichnet.
Dieser Beitrag stellt eine Gauss-Newton-Methode für großskalige, durch partielle Differentialgleichungen (PDE) eingeschränkte Inverse Probleme vor, die insbesondere bei Full-Waveform-Inversion (FWI) keine zusätzlichen PDE-Lösungen über die Gradientenberechnung hinaus erfordert und somit die Effizienz gradientenbasierter Verfahren mit der schnellen Konvergenz von Gauss-Newton-Methoden vereint.
Diese Arbeit beweist, dass die Gradienten-Bewertungssequenz im Nesterov'schen beschleunigten Gradientenabstieg auch für konvexe, glatte Optimierungsprobleme mit Projektionen in nicht-euklidischen Räumen die optimale Konvergenzrate von erreicht.
Diese Arbeit stellt Joint MDPs (JMDPs) als formales Rahmenwerk für Umgebungen mit gekoppelten Dynamiken vor, das durch die Spezifizierung gemeinsamer Verteilungen für kontrafaktische Ein-Schritt-Ergebnisse über mehrere Aktionen hinweg die Berechnung von Bellman-Operatoren für Momente höherer Ordnung des Returns ermöglicht und damit dynamische Programmieralgorithmen mit Konvergenzgarantien liefert.
Diese Arbeit erweitert die geometrischen Grundlagen der Simplex-Methode auf lineare Programme in lokal konvexen topologischen Vektorräumen, vermeidet dabei algebraische Pivot-Verfahren und liefert Konvergenzbedingungen, die unter anderem die Optimierung über den Hilbert-Würfel sowie die Existenz von exponierten Eckpunkten und Kantengängen für alle Polytope in diesem allgemeinen Setting sicherstellen.
Diese Arbeit stellt ein neuartiges ODE-Framework mit hoher Auflösung vor, das durch die Berücksichtigung von Hessian-getriebener Dämpfung die Konvergenzeigenschaften von beschleunigten First-Order-Methoden mit Momentum präziser analysiert und korrigierte Varianten für PDHG und HB mit global optimalen Konvergenzraten liefert.
Diese Arbeit stellt eine detaillierte Implementierung der Riemannschen Newton-Methode zur Optimierung auf der indefiniten Stiefel-Mannigfaltigkeit vor, die durch eine intensive Analyse der zweiten Ordnung-Geometrie, die Herleitung des Levi-Civita-Zusammenhangs und die effiziente Lösung der Newton-Gleichung mittels linearer konjugierter Gradienten gekennzeichnet ist.
Die vorgestellte Arbeit stellt die Inexact Bregman Sparse Newton (IBSN)-Methode vor, die durch die Kombination eines Bregman-Proximalpunkt-Frameworks mit einem spärlichen Newton-Löser und einer Hessian-Verdünnung effizient und präzise exakte Optimal-Transport-Probleme für große Datensätze löst.
Dieses Papier stellt einen neuen Bietalgorithmus für wiederholte First-Price-Auktionen mit Budgetbeschränkungen und einseitigem Feedback vor, der durch eine robuste Regressionsmethode auf Basis der bedingten Quantilinvarianz kontextabhängige Gebote lernt und eine ordnungsoptimale Regret von erreicht.
Die Arbeit untersucht eine einparametrige Familie linksinvarianter SO(1,1)-symmetrischer Lorentz-Strukturen auf der universellen Überlagerung von SL(2,R), analysiert deren globale Geodätenoptimierung und beschreibt den Übergang zu sub-Lorentz-Strukturen als Grenzfall.