通过人工智能,让基于分解的优化摒弃人类干涉:第二部分。学习初始化
本文提出了一种基于图分类的方法,用于自动确定是使用整体式还是分解式的解决方案方法;通过适当的特征集,将优化问题表示为捕捉问题的变量和约束之间的结构和功能耦合的图;构建图分类器以确定给定问题的最佳解决方法;以解决分析凸混合整数非线性规划问题时使用分支定界法还是外逼近算法为例展示了所提出方法的应用;最后,展示了学习到的分类器如何并入现有的混合整数优化求解器中。
Oct, 2023
通过使用替代的代理模型加速 Benders 分解方法,相较于其他加速的实施方案,我们观察到平均收敛速度提高了 30%。我们介绍了一种基于强化学习代理的替代模型,并展示了如何用其解决随机库存管理问题。
Jul, 2023
利用语言模型解决复杂问题时,通过将复杂解决方案自动分解为多个简单的部分以更好地帮助人类理解和修复,并提出新的任务分解目标 “AssistV”,通过人类修复经验数据集改进解决方案的可行性和速度,在竞赛编程问题中验证方法,结果显示我们的方法使非专家能够解决更多问题并加快速度,并达到专家级别效果。
Jun, 2024
本论文研究了通过机器学习解决 NP 困难问题的可行性,指出了训练数据的易变性及其对模型的影响,并提出了改进的方法来适应这个问题。该方法被应用于非线性、非凸、离散组合问题的求解,取得了有效的结果。
Jun, 2021
通过使用透明的中间状态进行复合会带来可解释性和安全性的好处,但可能需要工作流程支持和基础设施来保持竞争力,为此我们描述了一种人在循环中使用的对于开发和完善复合 LM 程序的工作流程,并开发了一个可视化 LM 程序执行跟踪的开源工具 - ICE,通过三个真实世界的案例将这一工作流程应用于 LM 程序,并比非组合基线提高了 LM 程序的准确性 - 描述随机对照试验中使用的安慰剂(25%到 65%),评估参与者遵守医疗干预(53%到 70%)以及在 Qasper 数据集上回答 NLP 问题(38%到 69%)。
Jan, 2023
通过将优化问题表示为元变量的线性组合,我们学习了大规模优化问题的低维代理模型。通过端到端地训练低维代理模型和预测模型,我们实现了训练和推断时间的大幅减少,同时通过关注优化中的重要变量和在更平滑的空间中学习来提高性能。
Jun, 2020
本文探讨了如何通过双层优化问题来优化机器学习机制,并讨论了如何通过自动机器学习(AutoML)等方法来减少迭代步骤的计算成本,以及减少开发人工智能算法的碳足迹。作者还提出了在不同领域中解决这些问题的方法。
Jan, 2023
本文提出一种通过 Range-Nullspace 分解的深度学习框架,为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解,模型获得了更多的物理信息,可以有效提高神经网络的学习性能和实际表现。实验结果表明,该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。
Nov, 2019
提出了一种简单且可扩展的主动学习方法,以在学生 - 教师方式下训练替代模型,以取代使用贝叶斯框架对基于深度神经网络(DNN)的替代模型进行复杂的训练过程,从而利用深度学习的优秀能力来减少计算复杂度,在实践中验证了该方法具有可行性并可用于多个工程设计领域。
Nov, 2022
综述了黑箱机器学习方法与传统数值方法和领域专业知识相结合的混合算法在科学机器学习和各种工业领域,尤其是计算科学与工程中的重要性日益增长。对结合机器学习和区域分解方法的研究进行了调查,包括:经典机器学习的区域分解,用于加速物理感知神经网络训练的区域分解,使用机器学习改善区域分解方法的收敛性或计算效率,以及机器学习作为解决偏微分方程区域分解方法的离散化方法。在每个领域,总结了现有工作和重要进展,并最后讨论了未来研究的挑战和机会。
Dec, 2023