342 articoli
Il paper propone un nuovo framework di transfer learning basato su ottimizzazione bi-livello che combina un estrattore di caratteristiche universale addestrato su dati eterogenei con un adattatore specifico per dominio, permettendo una ricostruzione di immagini MRI sottocampionate di alta qualità anche in presenza di dati di training limitati.
Il documento propone un protocollo basato sull'ottimizzazione convessa distribuita che consente a una società di gestione patrimoniale di comunicare stime dei costi di transazione ai propri gestori di portafoglio, permettendo loro di rivedere le proprie operazioni in modo coordinato per ridurre i costi di mercato e massimizzare i rendimenti senza rivelare le proprie strategie interne.
Questo lavoro introduce la "Drag-Aware Aerodynamic Manipulability" (DAAM), un framework geometrico che utilizza una metrica Riemanniana basata sui limiti di coppia e sulla resistenza aerodinamica per ottimizzare l'allocazione del controllo nei multirotor ridondanti, garantendo soluzioni ottimali lisce e invarianti rispetto alla scala pur caratterizzando le discontinuità globali imposte dai limiti fisici degli attuatori.
Questo articolo analizza un problema di consumo, investimento e cambio di lavoro a orizzonte finito con costi di switching temporali, dimostrando l'esistenza e l'unicità della soluzione a un problema a doppia barriera parabolico e caratterizzando le strategie ottimali dell'agente.
Questo articolo sviluppa un approccio di stabilità diretto per la programmazione stocastica a due stadi basato sulla formulazione primale del trasporto ottimo, dimostrando che la funzione di valore ottima rimane lipschitziana rispetto a costi dipendenti dal problema sotto condizioni di regolarità minime e una proprietà di dominazione del rimpianto, fornendo così una giustificazione teorica per le tecniche di riduzione degli scenari in contesti sia continui che discreti.
Questo articolo presenta un framework di ottimizzazione basato sulla programmazione lineare intera mista per risolvere il problema del layout dei cablaggi in spazi tridimensionali vincolati, discretizzando lo spazio di progettazione in grafi strutturati per minimizzare la lunghezza dei cavi o delle condotte garantendo al contempo il rispetto di tutti i requisiti ingegneristici e di sicurezza.
Questo articolo propone l'algoritmo ALS-IRLS, un metodo di stima delle covarianze del rumore robusto agli outlier basato su un framework a due livelli che combina la filtrazione adattiva delle innovazioni con una funzione di costo di Huber risolta tramite pesi iterativi, dimostrando una precisione superiore rispetto alle tecniche tradizionali e ai filtri di Kalman esistenti.
Questo articolo indaga la capacità del multicast a sorgente singola in reti con avversari vincolati, dimostrando che i limiti classici non sono più stretti e richiedendo una progettazione congiunta di codici esterni e interni, per determinare la capacità esatta di alcune famiglie di reti a due livelli, migliorare i limiti inferiori noti e introdurre nuove generalizzazioni che illustrano fenomeni specifici di questo scenario.
Il paper introduce PolyFormer, un modello di apprendimento automatico informato dalla fisica che semplifica problemi di ottimizzazione complessi vincolati da leggi fisiche trasformandoli in riformulazioni poliedriche efficienti, ottenendo così accelerazioni computazionali fino a 6.400 volte e riduzioni di memoria fino al 99,87% mantenendo una qualità della soluzione competitiva.
Il paper propone l'algoritmo PR-EXTRA, un metodo di ottimizzazione distribuita su varietà Riemanniane compatte che risolve problemi compositi con regolarizzatori non lisci garantendo la convergenza sublinea a un punto stazionario con una sola comunicazione per iterazione.
Il documento dimostra che esiste una classe di problemi decisionali in tempo polinomiale con struttura causale intrinseca che, a causa dei limiti dell'informazione e della non duplicabilità del token, non ammette alcuna accelerazione asintotica tramite calcolo parallelo, risultando intrattabili per le famiglie di circuiti NC.
Il paper propone un quadro operatoriale che codifica i vincoli computazionali tramite operatori autoaggiunti, rivelando come la geometria di ascesa sia distorta e come la dinamica efficace si concentri su modalità spettrali dominanti, unificando così proiezione del gradiente, compressione spettrale e compatibilità multi-obiettivo.
Il paper propone il nuovo concetto di "dissipatività stretta a due funzioni di accumulo" per garantire la stabilità asintotica nel controllo predittivo economico, collegando direttamente tale condizione alle funzioni valore e offrendo una verifica più semplice rispetto alla dissipatività stretta classica.
Il paper propone Generative Adversarial Regression (GAR), un framework che utilizza una formulazione minimax per addestrare generatori capaci di apprendere scenari di rischio condizionati allineati con obiettivi elicibili (come VaR e ES), garantendo una migliore preservazione del rischio a valle rispetto ai metodi tradizionali.
Questo studio analizza le decisioni ottimali di risparmio e consumo in presenza di incertezza sulle dinamiche di transizione di un processo di Markov, dimostrando l'esistenza e le proprietà strutturali della politica ottima e illustrando come l'apprendimento bayesiano e l'incertezza sui regimi economici influenzino i motivi precauzionali e l'accumulo di ricchezza nel lungo periodo.
Questo lavoro introduce il primo algoritmo debolmente polinomiale per il problema della ricerca lineare parametrica su funzioni submodulari, riducendo il numero di chiamate all'oracolo di minimizzazione sfruttando una formulazione duale e metodi di piani di taglio per ottenere un tempo di esecuzione che corrisponde allo stato dell'arte per la minimizzazione delle funzioni submodulari.
Il documento stabilisce l'esistenza e l'unicità dell'equilibrio per un gioco stocastico a campo medio di investimento ottimale, analizzando sia orizzonti temporali finiti che infiniti e il corrispondente caso deterministico, dove l'interazione tra le imprese è modellata attraverso un prezzo di mercato dipendente dalla capacità produttiva attesa.
Questo lavoro introduce un framework di ottimizzazione partizionata (POf) e un metodo senza derivate (DFPOm) che semplificano problemi complessi suddividendo lo spazio delle variabili in sottoinsiemi gestibili, permettendo di trovare la soluzione globale identificando l'indice di partizione ottimale tramite algoritmi di ottimizzazione senza derivate.
Questo articolo presenta la formalizzazione in Lean 4 di diversi teoremi simili a quello di Farkas su campi ordinati linearmente e estende la teoria della dualità nell'ottimizzazione lineare per includere coefficienti che possono assumere valori infiniti.
Il paper presenta un'euristica massivamente parallela per approssimare la base di Graver e risolvere problemi di ottimizzazione intera non lineare, ottenendo prestazioni comparabili ai solver avanzati su istanze di QPLIB e MINLPLib.