319 papers
Dit artikel heronderzoekt het dualiteitskader van Eckstein, Ferris, Pennanen en Robinson door paramonotonie te identificeren als een cruciale voorwaarde voor het samenvallen van zadelpunten met de oplossingverzamelingen, en levert karakteriseringen van totale dualiteit en projectieformules die relevant zijn voor het Chambolle-Pock-algoritme.
Dit paper introduceert het AGILS-algoritme, een alternatieve gradiëntmethode voor bilevel-optimalisatie met onnauwkeurige oplossingen voor het onderste niveau via een Moreau-hulling-herformulering, waarvan de convergentie wordt bewezen en die effectief wordt getest op hyperparameterselectieproblemen.
Dit artikel analyseert de State-Dependent Riccati Equation (SDRE) voor niet-lineaire optimale besturing, waarbij theoretische onderbouwing, foutenschattingen en numerieke methoden zoals de Newton-Kleinman-iteratie worden onderzocht en gevalideerd aan de hand van een niet-lineaire reactie-diffusie PDE.
Dit paper introduceert een algemene methode voor scenario-reductie in distributie-robuste optimalisatie die door projectie van het ambiguïteitsset een schaalbaar probleem creëert met gegarandeerde kwaliteitsgrenzen en aanzienlijke tijdwinst bij behoud van hoge oplossingskwaliteit.
Dit artikel presenteert een stochastisch algoritme dat bijna zeker convergeert naar de operatornorm van het verschil tussen twee lineaire afbeeldingen, waarbij voor de ene afbeelding alleen een black-box voor de evaluatie en voor de andere alleen een black-box voor de geadjungeerde evaluatie beschikbaar is.
Deze paper introduceert CVQP, een snelle en schaalbare operator-splittingmethode die speciale projectie-algoritmen combineert om kwadratische programmeringsproblemen met Conditional Value-at-Risk-beperkingen op te lossen, zelfs bij miljoenen scenario's, waarbij deze aanzienlijk beter presteert dan algemene solvers.
Dit artikel introduceert een algemene aanpak voor forward-backward splitsingsmethoden die zowel verzamelingwaardige als enkelwaardige operatoren (zonder cocoerciviteit) behandelt en via coëfficiëntenmatrices bestaande algoritmen omvat en nieuwe, gedistribueerde implementaties mogelijk maakt.
Dit artikel presenteert een aanpak voor Bayesiaanse optimalisatie met vertrouwen-gebieden die adaptieve replicatie combineert met lokale modellen om de nauwkeurigheid en efficiëntie bij het optimaliseren van stochastische functies met hoge variantie aanzienlijk te verbeteren.
Dit paper introduceert StablePCA, een distributioneel robuust raamwerk voor het leren van gedeelde representaties uit multi-bron data, waarbij een convex relaxatie en een efficiënt Mirror-Prox-algoritme worden ontwikkeld om de uitdagingen van de niet-convexe rangbeperking te overwinnen met gegarandeerde convergentie.
Deze paper introduceert een unificerend deep meta-learning-framework dat een convergentiebewezen optimalisatiealgoritme uitrolt naar een neurale architectuur voor versnelde MRI-reconstructie, waardoor zowel multi-spoelherstel als cross-modale synthese effectief worden aangepast aan verschillende steekproefpatronen en modale combinaties.
Dit artikel presenteert een adaptieve proximaal beveiligde versterkte Lagrangiaan-methode voor het minimaliseren van niet-gladde DC-functies onder convexe beperkingen, waarbij de convergentie naar een veralgemeend KKT-punt wordt bewezen en de prestaties worden gevalideerd door middel van numerieke experimenten.
Deze paper introduceert een algemeen theoretisch raamwerk voor optimale controle van waarschijnlijkheidsdichtheden, inclusief een maximumprincipe en de Hamilton-Jacobi-Bellman-vergelijking, en koppelt dit aan een schaalbaar numeriek algoritme op basis van diepe neurale netwerken voor de oplossing van complexe meeragentenproblemen.
Dit paper introduceert LoFT, een nieuwe parameter-efficiënte fine-tuning-methode die de optimizer-dynamiek van volledige fine-tuning nabootst door de momentum- en variantie-momenten van Adam in een laag-rank deelruimte te projecteren, waardoor de prestaties aanzienlijk worden verbeterd zonder extra inferentiekosten.
Dit artikel bewijst de globale welgesteldheid van stochastische derde-graad vloeistoffen met additief ruis en vestigt de existentie en uniciteit van een optimale oplossing voor het snelheidsvolgingsprobleem, inclusief de afgeleide eerste-orde optimaliteitsvoorwaarden.
Dit artikel introduceert een unifyend raamwerk op basis van de Davis-Wielandt-shell voor de grafische stabiliteitsanalyse van MIMO LTI-systemen, waarbij een nieuw concept, de -SRG, wordt voorgesteld dat de minst conservatieve 2D-stabiliteitsvoorwaarde biedt voor bi-componente feedbacklussen.
Dit artikel onderzoekt hoe kwaadaardige auditees de schijn van eerlijkheid kunnen wekken door manipulatie van datasets, formaliseert deze aanval als een wiskundig projectieprobleem, en evalueert statistische methoden om dergelijke vertekende steekproeven te detecteren.
Dit artikel introduceert een centraal en gedistribueerd ADMM-framework voor het oplossen van grote, niet-convexe optimalisatieproblemen met binaire variabelen en boombeperkingen, waarbij een continue relaxatie wordt gecombineerd met projectie op de verzameling van oplosbare minimum-spanningbomen om hoogwaardige oplossingen te vinden voor multicommodity flow-ontwerp met hop-beperkingen.
Dit artikel introduceert de F²SA--methode, die hogere-orde einddifferenties gebruikt om de complexiteit van stochastische bilevel-optimalisatie te verbeteren tot voor sterk gladde problemen, waardoor de snelheid dichter bij de ondergrens van komt.
Dit artikel bewijst het bestaan, de uniciteit en de globale -regulariteit van positieve klassieke oplossingen voor een klasse van quasilineaire Hamilton-Jacobi-Bellman-vergelijkingen op begrensde convex domeinen, middels een constructief bewijs met een gewogen lineair monotoon iteratieschema en een probabilistische afleiding, en valideert deze theorie via numerieke toepassingen in stochastische productieplanning en beeldherstel.
Dit artikel toont empirisch aan dat, terwijl de runtime van een lokaal gulzig algoritme voor het optimaliseren van het Sherrington-Kirkpatrick-model universeel is over verschillende verdelingen, die van een lokaal 'reluctant' algoritme niet-universeel is en gevoelig reageert op de verdeling van de koppelingsmatrix, met name bij discrete steunpunten.