该论文介绍了一种在 soft constraint frameworks 中使用 non idempotent operators(如 +)的情况下扩展经典 arc consistency 的方法,称之为 soft arc consistency,并展示了可用于强制其实施的多项式时间算法。
Nov, 2001
通过证明各种规约保持 Lasserre SDP 层次的精确可解性,我们展示了支持破坏有限宽度条件的一般值约束语言不能被静态程序快速求解。
Dec, 2016
该论文提出了一种适应协变量偏移的加权一致性预测系统(WCPS),通过利用训练和测试协变量分布之间的似然比,构建非参数预测分布,并通过模拟实验证明了其在协变量偏移下的概率校准性。
Apr, 2024
对在线凸优化问题进行研究,采用对称锥中一对称切片的投影无关算法 Symmetric-Cone Multiplicative Weights Update (SCMWU),通过使用欧几里德 - 约旦代数的工具,将其等价于 Follow-the-Regularized-Leader 和 Online Mirror Descent 算法,证明了其是一种无悔算法,并通过大量实验验证了理论结果。
Jul, 2023
神经参数分配搜索(NPAS)通过在给定任意固定参数预算的情况下获取网络权重来自动化参数共享。我们改进了先前工作中的两个主要缺点,首先是在搜索和训练步骤之间共享模式的不一致性,其在搜索期间对不同大小的层进行权重变形以衡量相似性,但在训练期间不进行变形,从而导致性能降低。其次,我们改进了共享参数之间相似性的测量方法,我们认为之前的方法仅比较权重本身,而未考虑共享权重之间的冲突程度。相反,我们利用梯度信息识别希望在共享权重之间发生分歧的层。我们证明了我们的超重网络在 NPAS 设置中在 ImageNet 和 CIFAR 数据集上始终提升性能。此外,我们还展示了我们的方法可以使用相同的权重为许多网络架构生成参数。这使我们能够支持高效集成和任意时间预测等任务,并且相比完全参数化的集成方法,我们的方法可以使用更少 17%的参数取得更好的性能。
Dec, 2023
该论文研究了一种特殊情况的约束满足问题,其中变量完全有序并对不违反顺序的变量元组施加软约束;为不同类型的约束语言和权重提供了计算模式的解决方案,以获得约束最小化的解决方案。
May, 2023
本文提出了一种新的软置信度加权在线学习方法,使传统置信度加权学习方法能够处理非可分离情况,并具有大边际训练、置信度加权、处理非可分离数据和自适应边际等特性,实验结果表明,与多种最新算法相比较,该方法在预测准确性方面普遍表现更好或至少相当,但计算效率更高。
Jun, 2012
本篇论文研究了具有典型性的加权条件 ALC 知识库的三种不同语义构建,在逻辑语义学中,基于 “概念分层” 多重优先语义。利用 ASP 和 “asprin” 进行推理,以 phi-coherent 语义为基础,适用于表征 MLPs 的静止状态。作为概念验证,我们尝试检查训练的 MLPs 的性质。
Feb, 2022
本文探讨对高度对称图形模型的变分推断方法,提出一种可以更高效求解该类图形模型的提升式紧凑公式, 并通过使用新颖的交换聚类一致性约束来提高 TRW 上界。
Jun, 2014
本文研究基于 A * 算法和双目标搜索的两种解决方案,解决只有一个约束条件的成本最小路径规划问题,并研究在约束搜索中优先队列的重要性。实验证明,不带打结断的桶队列可以有效提高双目标搜索的算法性能。
Jul, 2022