优化器的可计算性
本研究针对电力系统安全分析中的一个问题,提出基于乐观主义和Good-Turing缺失质量估计器的算法,证明其性能的两个不同的遗憾界。同时,在更严格的假设下,与口头策略和均匀采样相比,证明了宏观最优结果。最后,提供了数值实验来说明这些理论结果。
Jul, 2012
讨论了算法信息论中普适图灵机的选择对于AIXI的影响,研究结果表明,没有普遍不变定理。各种不幸或者对抗性的选择UTM的情况都会极大地干扰AIXI的行为,这意味着AIXI是一种相对论,完全取决于UTM的选择。
Oct, 2015
该研究提出了一种基于连续逼近的分布式计算框架,以解决优化问题,特别是针对最终价值计算过程中计算时间不相同(由于处理器延迟或者出错)的情况,其中矩阵-向量乘法的编码定理和优化方案也被探讨。
Oct, 2017
本文探讨了应用特定硬件、量子和量子灵感求解器对组合优化问题 QUBO 变形进行优化是否比应用经典进化算法在其自然表示中求解同一问题更快,并证实了 Fujitsu Digital Annealer 在旅行商、二次分配和多维背包问题实例上比遗传算法表现更优。
May, 2022
该研究论文介绍了无导数优化算法的框架及分类导数优化算法,通过引入假设目标破碎率的概念,重新审视了该类算法的计算复杂性上界,并提出了一种名为“RACE-CARS”的算法,相较于“SRACOS”(Hu等人,2017),增加了随机区域缩小步骤。通过在合成函数和黑盒调优的实验中证明了“RACE-CARS”的效率,并进行了关于引入的超参数的消融实验,揭示了“RACE-CARS”的机制并提出了一种经验超参数调优指导。
Sep, 2023
研究智能系统以经济合理性解释其行为,其中包括涉及函数或效用的优化原则,最近这一理论已将约束纳入进来,即在满足某些信息处理约束的同时最大化效用。研究智能系统已从热力学工具中受益,本篇论文的目标是澄清这些结果在研究智能系统中的适用性,并改善对排序结构的分类和对能够允许这样的框架的要求的理解。
Jun, 2024
本研究解决了深度学习中的优化问题,提出了一种改进的随机梯度下降(SGD)优化器,借鉴了数值优化方法,以提升模型的可解释性和准确性。实验结果表明,该算法在多种深度学习任务中表现优异,显示了优化理论在复杂问题解决中的重要性和影响力。
Sep, 2024