该论文提出了一种双分图神经网络框架，用于多天线波束成形优化，可实现可扩展性，通过联合训练可以普遍适用于任意MU-MISO系统，并验证了其在传统方法上的优越性。

Jul, 2022

本文研究了一种采用双层ReLU神经网络参数化的Fitted Q-Iteration算法，通过估计Q-function的凸优化问题来实现每次迭代的Q-function，证明了该方法在具有计数状态空间的情况下可以实现采样复杂度为$\widetilde{O}(1/ε^2)$。

Nov, 2022

本文提出了一种基于整数线性约束的编码形式，以有效地验证QNN的正确性和局部稳健性，从而提高其能源效率和减少计算量。实验证明该方法比现有技术更快两个数量级且可处理更多的验证任务。

Dec, 2022

本文介绍了一种基于深度神经网络的无监督学习框架，以解决多用户干扰信道中的功率控制问题，该问题的目标是在用户的最低数据速率或QoS要求和功率预算限制下最大化网络总速率，并使用两个新的深度学习（DL）解决方案：DIPNet和DEPNet，这些解决方案不仅可以提高可达数据速率，而且可以实现零约束违规概率。

May, 2023

SCQPTH是一种针对凸二次规划问题的可微分一阶分裂方法，通过ADMM和OSQP求解器的实现，在大规模凸二次规划问题中具有较高的计算效率。

Aug, 2023

通过深度强化学习技术解决网络参数优化问题，实现速率最大化，涉及功率控制、波束成形和干扰抵消等方面，以提高采样效率和降低算法在商业网络中的风险。

Oct, 2023

决策导向学习是上下文优化的一种有前景的发展，而我们提出了一个双重隐式层模型，用于训练预测模型以实现对不确定凸二次约束二次规划问题中健壮决策损失的训练。该模型是决策导向学习不确定凸QCQPs的有效正则化工具。

Dec, 2023

ACOPF学习的创新框架结合了经典的基于优化的方法和基于神经网络的方法，通过特殊的激活函数和损失函数，实现了高效可靠的解决方案，提高了可行性率和发电成本。

Jan, 2024

研究零阶算法求解非凸最小最大问题在确定性和随机设置下的紧密线性约束，为确定性和随机设置下求解非凸凹最小最大问题提出两种单环算法，即零阶原始--对偶交替投影梯度（ZO-PDAPG）算法和零阶正则化动量原始--对偶投影梯度算法（ZO-RMPDPG），其迭代复杂度被证明为Ο(ε^(-2))（非凸凹最小最大问题）和Ο(ε^(-4))（非凸凹最小最大问题），在确定性设置下，持有ε-稳定点，并且在随机设置下，迭代复杂度分别为Ο̃(ε^(-3))和Ο̃(ε^(-6.5))。据我们所知，它们是第一个能够解决确定性和随机设置下的非凸凹最小最大问题的零阶算法，并具有迭代复杂度保证。

Jan, 2024

用连续和混合整数设置的情况下，我们研究了图神经网络在二次规划任务中的表达或代表能力，证明了存在可靠地表示二次规划关键属性的消息传递图神经网络，并通过数值结果验证了我们的理论。

Jun, 2024