337 Arbeiten
Diese Arbeit entwickelt eine direkte Stabilitätsanalyse für zweistufige stochastische Programme unter problemabhängigen Kosten, die auf der primalen Formulierung des optimalen Transports statt auf dualen Darstellungen basiert und Lipschitz-Stetigkeit unter minimalen Regularitätsbedingungen sowie einer Regret-Dominanz-Eigenschaft für sowohl kontinuierliche als auch gemischt-ganzzahlige Probleme nachweist.
Diese Arbeit stellt einen Optimierungsrahmen vor, der das Problem der Verkabelung in dreidimensionalen, eingeschränkten Umgebungen als gemischt-ganzzahliges lineares Programm formuliert, um durch Diskretisierung des Lösungsraums und Minimierung der Gesamtlänge bei Einhaltung technischer Randbedingungen automatische Layouts für industrielle Anwendungen zu generieren.
Diese Arbeit stellt einen neuartigen, ausreißerrobusten ALS-IRLS-Algorithmus vor, der durch eine zweistufige Strategie aus innovationsbasierter Schwellenwertbildung und der Huber-Kostenfunktion die Genauigkeit der Rausch-Kovarianzschätzung und der nachgelagerten Zustandsschätzung in Kalman-Filtern bei Vorhandensein von Ausreißern erheblich verbessert.
Diese Arbeit untersucht die Ein-Shot-Kapazität von nicht-trennbaren Netzwerken unter eingeschränkten Angreifern, indem sie zeigt, dass klassische Cut-Set-Schranken hier nicht ausreichen und eine gemeinsame Konstruktion von Außen- und Netzwerkcodes erforderlich ist, wobei sie exakte Kapazitäten für bestimmte Netzwerkklassen bestimmt und neue untere Schranken sowie ein verallgemeinerndes Netzwerkmodell vorstellt.
Das Paper stellt PolyFormer vor, ein physik-informiertes maschinelles Lernmodell, das komplexe physikalische und geometrische Randbedingungen in effiziente polytopische Umformulierungen überführt, um skalierbare Optimierungsprobleme mit bis zu 6.400-facher Geschwindigkeitssteigerung und minimalem Qualitätsverlust zu lösen.
Die Autoren stellen den Proximal Riemannian Gradient EXTRA-Algorithmus (PR-EXTRA) vor, der verteilte zusammengesetzte Optimierungsprobleme mit nichtglatten Regularisierern auf kompakten Mannigfaltigkeiten mit einer einzigen Kommunikationsrunde pro Iteration und einer sublinearen Konvergenzrate von löst.
Die Arbeit zeigt, dass ein bestimmtes polynomiell lösbares Entscheidungsproblem mit kausalen Ausfühungsbeschränkungen eine inhärente sequenzielle Struktur aufweist, die es unmöglich macht, eine asymptotische parallele Beschleunigung zu erreichen, da die Informationsausbreitung pro Zeiteinheit auf einen Schritt begrenzt ist und keine -Schaltkreise existieren, die das Problem in realer Parallelzeit lösen können.
Die Arbeit stellt einen operator-theoretischen Rahmen vor, der strukturelle Einschränkungen in der Optimierung durch selbstadjungierte Operatoren kodiert, um eine verzerrte Aufstiegsgeometrie, spektrale Kompression und strukturelle Kompatibilität für mehrere Ziele innerhalb eines einheitlichen geometrischen Modells zu vereinen.
Die Arbeit führt das neuartige Konzept der Zwei-Speicher-strikten Dissipativität ein, das die asymptotische Stabilität ökonomischer modellprädiktiver Regelungen äquivalent garantiert und dabei einen direkteren Bezug zu Wertfunktionen sowie eine einfachere Verifizierbarkeit im Vergleich zur herkömmlichen strikten Dissipativität bietet.
Der Artikel stellt Generative Adversarial Regression (GAR) vor, ein Framework, das durch eine Minimax-Formulierung und die Ausrichtung auf nachgelagerte Risikofunktionale wie VaR und ES realistische, bedingte Risikoszenarien generiert, die unter adversarisch ausgewählten Politiken robuster und genauer sind als herkömmliche Baselines.
Diese Arbeit untersucht optimale Spar- und Konsumentscheidungen unter Unsicherheit bezüglich der Übergangsdynamiken einer Markov-Umwelt, indem sie die Existenz und Eindeutigkeit der optimalen Politik unter Bayesianischem Lernen nachweist und aufzeigt, wie diese Unsicherheit zusammen mit Vorsichtsmotiven die langfristige Vermögensakkumulation beeinflusst.
Diese Arbeit stellt schwach polynomielle Algorithmen für das parametrische Submodular-Funktions-Minimierungsproblem vor, die durch Ausnutzung einer dualen Formulierung und Schnittverfahren die Anzahl der Aufrufe eines exakten Minimierungsorakels reduzieren und so die bisherige Laufzeitgrenze erreichen.
Diese Arbeit stellt den dynamisch augmentierten CVaR (DCVaR) als zeitkonsistente Risikomaßvariante für Markov-Entscheidungsprozesse vor und liefert einen Algorithmus zur Berechnung einer optimalen Politik, die diesen Wert minimiert.
Dieses Paper stellt eine neue Methode vor, die Low-Rank-Matrix-Vervollständigung durch eine disjunktive Branch-and-Bound-Strategie und neuartige konvexe Relaxierungen löst, um für Probleme bis zu 2500 Dimensionen und Rang 5 zertifizierbare Optimalität zu erreichen und dabei die Testfehler im Vergleich zu etablierten Heuristiken signifikant zu senken.
Dieses Papier etabliert eine neue mathematische Fundierung für die restringierte Optimierung in Hilberträumen, indem es einen neuartigen Zerlegungsrahmen für Lagrange-Multiplikatoren entwickelt, der auf der Einführung des „essentiellen Lagrange-Multiplikators" basiert und scharfe Ergebnisse zu Existenz, Eindeutigkeit sowie Konvergenz liefert, die sich grundlegend von bestehenden Trennungssatz-Theorien unterscheiden.
Dieser Artikel untersucht die Rolle semismoother Ableitungen bei der numerischen Lösung nichtglatte Probleme, indem er deren Zusammenhang mit der Semismoothness*-Eigenschaft von Multifunktionen analysiert und Ergebnisse für Lösungsabbildungen parametrischer Inklusionen mittels verallgemeinerter Ableitungen wie limitierender Kodifferenten oder SC-Ableitungen herleitet.
Diese Arbeit formuliert kontinuierliche Optimal-Stopp-Probleme aus Reinforcement-Learning-Perspektive als regularisierte singuläre stochastische Steuerung mit endlichem Brennstoff, leitet daraus eine eindeutige optimale explorative Strategie her und entwickelt sowohl modellbasierte als auch skalierbare modellfreie Actor-Critic-Algorithmen zur Lösung dieser Probleme.
Die Autoren stellen eine neue gezielte Explorationsstrategie für unsichere lineare zeitinvariante Systeme mit energiebegrenzten, nicht-stochastischen Störungen vor, die mittels eines Semidefiniten Programms eine garantierte Genauigkeit der Parameterschätzung unter Berücksichtigung anfänglicher Unsicherheiten sicherstellt.
Diese Studie entwickelt einen neuartigen „Lernen-dann-optimieren"-Ansatz, der maschinelles Lernen, SHAP-basierte interpretierbare Analysen und einen SHAP-geführten ganzzahligen Programmieralgorithmus kombiniert, um die Platzierung von automatisierten externen Defibrillatoren (AED) allein auf Basis geografischer Daten zu optimieren und so die Überlebensraten bei Herzstillständen außerhalb von Krankenhäusern zu erhöhen.
Dieses Papier stellt einen deterministischen, diffusionsbasierten Rahmen vor, der durch die Umkehrung eines durch Weißrauschen angeregten Vorwärtsprozesses eine Rückkopplungssteuerung für nichtlineare Systeme ableitet, um die Wahrscheinlichkeitsdichte auf eine gewünschte Zielverteilung zu lenken.