337 artigos
Este artigo desenvolve uma abordagem de estabilidade direta baseada na formulação primal do transporte ótimo para provar que a função de valor ótimo de programas estocásticos de dois estágios permanece Lipschitziana sob custos dependentes do problema, superando as limitações da teoria clássica de dualidade e fornecendo justificação teórica para abordagens de redução de cenários em contextos contínuos e discretos.
Este artigo apresenta um framework de otimização baseado em programação linear inteira mista para resolver o Problema de Diagrama de Fiação em espaços tridimensionais restritos, discretizando o espaço de projeto em grafos estruturados para minimizar o comprimento de cabos ou tubulações enquanto garante o cumprimento de rigorosos requisitos de engenharia, como separação de segurança e evasão de obstáculos.
Este artigo propõe o algoritmo ALS-IRLS, um método robusto a outliers para estimação de covariância de ruído em filtros de Kalman que combina um mecanismo de limiar adaptativo e a função de custo de Huber dentro de um quadro de Mínimos Quadrados Iterativamente Reponderados, resultando em uma precisão de estimação superior e desempenho próximo ao limite ideal de Oracle em cenários com dados contaminados.
Este artigo investiga a capacidade de redes de comunicação com adversários restritos, demonstrando que, ao contrário do caso de adversários ilimitados, a capacidade ótima exige um projeto conjunto de códigos externos e internos, e apresenta resultados exatos e limites melhorados para famílias específicas de redes, além de introduzir uma nova generalização e analisar a separabilidade dessas redes.
O artigo apresenta o PolyFormer, um modelo de aprendizado de máquina informado pela física que transforma restrições complexas em reformulações polipólicas eficientes, permitindo a resolução escalável de problemas de otimização com leis físicas complexas e alcançando aceleramentos computacionais de até 6.400 vezes sem comprometer a qualidade da solução.
O artigo propõe o algoritmo PR-EXTRA, uma extensão do método EXTRA para otimização distribuída em variedades Riemannianas compactas com regularizadores não suaves, que garante convergência sublinear de com apenas uma rodada de comunicação por iteração.
O artigo demonstra que certos problemas de decisão polinomiais, que exigem a execução causal de um token através de uma sequência de passos, possuem uma limitação intrínseca de tempo causal linear () que impede qualquer aceleração assintótica por paralelismo, provando que nenhuma família de circuitos clássicos em pode implementá-los quando a profundidade do circuito é interpretada como tempo paralelo realizável.
O artigo propõe uma formulação baseada em operadores autoadjuntos que codifica limitações computacionais em subespaços localmente alcançáveis, unificando projeção de gradiente, compressão espectral e compatibilidade estrutural sob uma geometria de ascensão distorcida para otimização com restrições.
Este artigo propõe o novo conceito de dissipatividade estrita com dois armazenamentos para o controle preditivo econômico, demonstrando que essa condição é necessária e suficiente para garantir a estabilidade assintótica, oferecendo uma relação mais direta com funções de valor e facilitando sua verificação em comparação com a dissipatividade estrita tradicional.
O artigo propõe a Regressão Adversarial Generativa (GAR), um quadro de aprendizado que alinha geradores a objetivos de risco downstream por meio de uma formulação minimax, produzindo cenários de risco condicional que superam métodos tradicionais na preservação de métricas de risco como VaR e ES em dados do S&P 500.
Este artigo investiga as decisões ótimas de poupança e consumo sob incerteza sobre as dinâmicas de transição de um ambiente econômico, demonstrando a existência e propriedades estruturais da política ótima em um modelo com aprendizado bayesiano, além de analisar como a incerteza sobre a persistência de regimes interage com motivos de precaução e acumulação de riqueza.
Este trabalho apresenta os primeiros algoritmos fracamente polinomiais para o problema de busca linear paramétrica em funções submodulares, reduzindo o número de chamadas ao oráculo de minimização submodular ao explorar uma formulação dual e métodos de planos de corte, alcançando um tempo de execução que iguala o limite inferior atual para a minimização submodular.
Este artigo apresenta a medida de risco CVaR dinamicamente aumentada (DCVaR) para Processos de Decisão de Markov e fornece um algoritmo para sua otimização, demonstrando que ela constitui uma versão temporalmente consistente e um limite inferior para o CVaR estático.
Este artigo propõe um método de ramificação e limite disjuntivo combinado com novas relaxações convexas para resolver problemas de completamento de matrizes de baixo posto com garantia de otimalidade, superando significativamente os métodos heurísticos existentes em termos de precisão e certificação de soluções.
Este artigo estabelece uma fundamentação matemática sólida para a otimização com restrições em espaços de Hilbert, introduzindo o multiplicador de Lagrange essencial e um novo framework de decomposição que permite obter resultados precisos sobre a existência e unicidade de multiplicadores, as diferenças fundamentais entre dimensões finitas e infinitas, e a caracterização da convergência do método de Lagrangiano aumentado, superando as teorias existentes baseadas em teoremas de separação.
Este artigo investiga o papel das derivadas semisuaves na análise numérica de problemas não suaves, explorando sua interação com a propriedade de semisuavidade* para multifunções e estabelecendo resultados sobre derivadas generalizadas de mapas de solução, coincidências quase em todo lugar com jacobianos generalizados e consequências para a protodiferenciabilidade estrita.
Este artigo formula problemas de parada ótima contínua sob uma perspectiva de aprendizado por reforço exploratório, introduzindo uma versão regularizada via entropia residual que transforma o problema em um controle estocástico singular, permitindo a identificação de estratégias ótimas e o desenvolvimento de algoritmos escaláveis de aprendizado por reforço.
Este artigo propõe uma nova estratégia de exploração direcionada para sistemas lineares invariantes no tempo com perturbações não estocásticas e limitadas em energia, utilizando um programa semidefinido para garantir uma precisão desejada na estimativa de parâmetros sem assumir distribuições específicas das perturbações.
Este estudo propõe uma abordagem inovadora de "aprender e otimizar" que integra modelos de aprendizado de máquina, análise interpretável baseada em SHAP e programação inteira para otimizar a localização de desfibriladores externos automáticos (DEA) e aumentar as taxas de sobrevivência a paradas cardíacas fora do hospital, utilizando exclusivamente dados geográficos.
Este artigo propõe um framework determinístico baseado em difusão para o controle da densidade de probabilidade de sistemas não lineares, utilizando um processo reverso de "remoção de ruído" para sintetizar leis de feedback que guiam o sistema a uma distribuição alvo, com garantias teóricas para sistemas sem deriva e LTI.