math.OC articoli | Gist.Science

Stability of Two-Stage Stochastic Programs Under Problem-Dependent Costs

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.

Nils Peyrousset, Benoît TranTue, 10 Ma🔢 math

Optimal Embedding of Wiring Diagrams in Constrained Three-Dimensional Spaces

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.

Víctor Blanco, Gabriel González, Justo PuertoTue, 10 Ma🔢 math

Outlier-robust Autocovariance Least Square Estimation via Iteratively Reweighted Least Square

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.

Jiahong Li, Fang DengTue, 10 Ma🤖 cs.LG

Capacity of Non-Separable Networks with Restricted Adversaries

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.

Christopher Hojny, Altan B. Kılıç, Sascha Kurz, Alberto RavagnaniTue, 10 Ma🔢 math

PolyFormer: learning efficient reformulations for scalable optimization under complex physical constraints

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.

Yilin Wen, Yi Guo, Bo Zhao, Wei Qi, Zechun Hu, Colin Jones, Jian SunTue, 10 Ma🤖 cs.LG

Loopless Proximal Riemannian Gradient EXTRA for Distributed Optimization on Compact Manifolds

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.

Yongyang Xiong, Chen Ouyang, Keyou You, Yang Shi, Ligang WuTue, 10 Ma🔢 math

Intrinsic Sequentiality in P: Causal Limits of Parallel Computation

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.

Jing-Yuan WeiTue, 10 Ma🔢 math

First-Order Geometry, Spectral Compression, and Structural Compatibility under Bounded Computation

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.

Changkai LiTue, 10 Ma🔢 math

Rethinking Strict Dissipativity for Economic MPC

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.

Mario ZanonTue, 10 Ma🔢 math

Generative Adversarial Regression (GAR): Learning Conditional Risk Scenarios

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.

Saeed Asadi, Jonathan Yu-Meng LiTue, 10 Ma🤖 cs.LG

Optimal Savings under Transition Uncertainty and Learning Dynamics

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.

Qingyin Ma, Xinxin ZhangTue, 10 Ma🔢 math

Faster Parametric Submodular Function Minimization by Exploiting Duality

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.

Swati Gupta, Alec ZhuTue, 10 Ma🔢 math

Dynamically Augmented CVaR for MDPs

Questo articolo introduce la misura di rischio DCVaR, una versione temporalmente coerente del CVaR statico per i processi decisionali di Markov, e propone un algoritmo per ottimizzarla studiando un MDP robusto con spazio degli stati aumentato.

Eugene A. Feinberg, Rui DingThu, 12 Ma🔢 math

Disjunctive Branch-and-Bound for Certifiably Optimal Low-Rank Matrix Completion

Questo articolo propone un metodo di branch-and-bound disgiuntivo e nuove rilassazioni convesse per risolvere il completamento di matrici a basso rango con garanzia di ottimalità certificata, riducendo significativamente il divario di ottimalità e l'errore di generalizzazione rispetto ai metodi euristici esistenti.

Dimitris Bertsimas, Ryan Cory-Wright, Sean Lo, Jean PauphiletThu, 12 Ma📊 stat

On Lagrange multipliers of constrained optimization in Hilbert spaces

Questo articolo introduce il moltiplicatore di Lagrange essenziale e stabilisce una solida base matematica per l'ottimizzazione vincolata negli spazi di Hilbert, fornendo risultati rigorosi su metodi come SQP e sul metodo del Lagrangiano aumentato attraverso un nuovo framework di decomposizione che differisce dalle teorie esistenti basate sui teoremi di separazione.

Zhiyu TanThu, 12 Ma🔢 math

On the role of semismoothness in nonsmooth numerical analysis: Theory

Questo articolo teorico esamina il ruolo delle derivate semiliscie nella risoluzione numerica di problemi non lisci, analizzando la loro interazione con la proprietà di semiliscietà* per multifunzioni e dimostrando che coincidono quasi ovunque con i Jacobiani generalizzati.

H. Gfrerer, J. V. OutrataThu, 12 Ma🔢 math

Exploratory Optimal Stopping: A Singular Control Formulation

Questo articolo propone una formulazione di controllo singolare regolarizzato per problemi di arresto ottimale esplorativo, risolvendoli tramite il principio di programmazione dinamica e sviluppando algoritmi di apprendimento per rinforzo, sia basati su modello che liberi da modello, per identificare strategie ottimali scalabili in spazi ad alta dimensionalità.

Jodi Dianetti, Giorgio Ferrari, Renyuan XuThu, 12 Ma💰 q-fin

Robust targeted exploration for systems with non-stochastic disturbances

Il paper propone una nuova strategia di esplorazione mirata per sistemi lineari tempo-invarianti incerti con disturbi limitati in energia, che utilizza un programma semidefinito per garantire una precisione stimata dei parametri senza assumere alcuna distribuzione specifica per i disturbi.

Janani Venkatasubramanian, Johannes Köhler, Mark Cannon, Frank AllgöwerThu, 12 Ma⚡ eess

Public Access Defibrillator Deployment for Cardiac Arrests: A Learn-Then-Optimize Approach with SHAP-based Interpretable Analytics

Questo studio propone un approccio innovativo "learn-then-optimize" che combina modelli di machine learning basati su dati geografici, analisi interpretabili tramite SHAP e programmazione intera guidata da SHAP per ottimizzare il dispiegamento dei defibrillatori esterni automatici e migliorare i tassi di sopravvivenza agli arresti cardiaci extra-ospedalieri.

Kexin Cao (Victor), Chih-Yuan Yang (Victor), Keng-Hou Leong (Victor), Xinglu Liu (Victor), Wai Kin (Victor), ChanThu, 12 Ma🔢 math

Score Matching Diffusion Based Feedback Control and Planning of Nonlinear Systems

Questo articolo propone un framework deterministico basato sul score matching diffusion per il controllo della densità di probabilità di sistemi non lineari, trasformando la sintesi del controllo nel progetto di un processo inverso che guida il sistema verso una distribuzione target.

Karthik Elamvazhuthi, Darshan Gadginmath, Fabio PasqualettiThu, 12 Ma⚡ eess

← Precedente Successivo →