- 使用成员预言主动学习组合优化
使用成员预测器解决未知线性约束的组合优化问题，以学习和利用替代线性约束的新框架，并通过采样策略和解决 0-1 整数线性规划来选择需要标记的新点，以提高结果的质量。
- RITFIS: 基于 LLMs 的智能软件稳健输入测试框架
本篇论文介绍了用于评估 LLM-based 智能软件鲁棒性的 RITFIS 框架，将 17 种自动化测试方法应用于 LLM-based 软件测试场景，展示了 RITFIS 在评价 LLM-based 智能软件方面的有效性，并通过综合分析提供 - 在机器教学中操纵离散输入的预测
在离散领域中，这篇论文以机器教学为重点，通过高效更改训练数据，利用组合优化问题和迭代搜索算法，有效地操纵模型的预测，超越传统基准线。
- 深度神经网络中适应层自适应权重剪枝的高效联合优化
我们提出了一种新颖的层自适应权重剪枝方法，通过优化输出失真最小化并同时遵守目标剪枝比例约束，实现了对深度神经网络 (DNNs) 的优化。我们发现和利用了多个层的权重剪枝导致的输出失真具有非常重要的可加性特性，并基于此特性将剪枝问题建模为一个 - ACL字节对编码的形式化视角
通过子模函数，我们将 BPE 形式化为组合优化问题，并证明了迭代贪心版本是最佳合并序列的 1/sigma (mu*)-（1-e^(sigma (mu*)))- 近似，其中 sigma (mu*) 是相对于最佳合并序列 mu * 的总反向曲率 - IJCAI使用增强学习自动设计桁架
本文提出了一种名为 AutoTruss 的两阶段框架，利用蒙特卡洛树搜索和强化学习等方法，能够高效地生成轻量、有效的桁架布局设计。在 2D 和 3D 的案例测试中，AutoTruss 的性能优于基于复杂度较低的设计。
- 寻找上下文学习的支持例子
本文提出了一种基于语言模型的支持性示例挑选方案，通过两阶段的方法解决了 NP-hard 组合优化问题并使用多样性引导的波束搜索方法优化选定示例的性能，进一步实验证明了我们方法的有效性和 “支持性示例” 和 “上下文学习” 的相关特征。
- 多接入边缘计算中的服务器放置和工作负载分配强化学习框架
本研究提出了一种使用强化学习解决最小化网络延迟和边缘服务器数量的问题的新 RL 框架，该问题涉及云计算、多接入边缘计算、组合优化问题和马尔可夫决策过程。
- 公平稳健训练的样本选择
提出了一种基于样本选择的算法来进行公平和鲁棒性训练，通过解决组合优化问题来实现样本无偏选择，并通过贪心算法解决了 NP 难问题，实验结果表明该算法在合成和基准真实数据集上具有优越的公平和鲁棒性。
- KDD模拟生态友好型交通选择对空气污染减少的影响
通过地图搜索日志模拟环保交通模式选择的有效性，并将交通模式选择视为组合优化问题，考虑 CO2 和平均旅行时间的约束条件，优化结果表明，CO2 排放总量可以减少 9.23％，而平均旅行时间实际上可以减少 9.96％。
- 可逆行动设计与强化学习在组合优化中的应用
利用图神经网络和深度 Q 学习的强化学习方法，针对组合优化问题提出了一种无需问题特定设计即可实现状态最优化策略搜索的通用模型，并在最大 k-Cut 问题和旅行商问题上实验验证了其优越性。
- IJCAI深度神经网络的子模块批次选择
该研究提出了一种基于子模函数最大化的小批量选择策略，设计了一种高效的、贪心的算法来解决该 NP - 硬组合优化问题。实验表明，所提出的批量选择策略培训的深度模型具有比随机梯度下降优化方法以及流行的基准采样策略更好的泛化性能。
- 平滑优化的鲁棒指标学习
本文提出了一种称为鲁棒测度学习的方法，旨在从嘈杂的侧面信息中学习距离度量，将学习任务最初制定为组合优化问题，并将其优雅地转换为凸规划问题，提出了一种基于平滑优化的高效学习算法，最后在 UCI 数据集上的实验研究证明了所提出方法的有效性。