- KDD整数规划的有效可行解生成方法:引导扩散
我们提出了一种新颖的框架,通过对整数规划实例和解决方案之间的关系进行对比学习,以生成完整的可行解,其质量可与 Gurobi 的最佳启发式解相媲美,且在整个数据集上表现优于最先进方法,提高了与最优值之间的差距,并且在所有数据集上保持超过 99 - 学习整数规划的切割函数生成
使用分支切割算法解决大规模整数规划问题时,关键步骤之一是选择有效的约束条件(切割平面)来减少最优解搜索空间。该论文扩展了数据驱动选择最佳切割平面生成函数的概念,并探索了使用神经网络进行依赖于实例的切割平面生成函数选择的样本复杂性。
- CT 轨迹的整数优化:离散数据完整性建模
基于整数规划的 CT 轨迹优化方法能够确定最优的投影集合,提高 CT 轨迹并量化解决方案的优化度。
- 解决四类 SAT 问题的通用方法
该研究提出了一种基于整数规划和强化学习算法的统一框架 DCSAT,用于解决不同类型的布尔可满足性问题,包括 MaxSAT、Weighted MaxSAT、PMS 和 WPMS 等。通过调整目标函数系数,构建了统一的整数规划表示方法,并基于 - 不带伤害的公平分类器
在关键应用中,分类器将决策推迟给人类至关重要。我们提出了一种事后方法,使现有分类器有选择地放弃对某些样本的预测。我们的放弃分类器被激励以在满足用户指定的组公平性定义时保持原始准确性,同时实现一组群体公平性的程度。为此,我们设计了一种整数规划 - 机器学习助力纽约地铁导航更安全更快
通过整数规划模型,结合机器学习技术,采用各种方法如泛化线性模型、线性回归和循环神经网络,我们旨在在最短路径和最安全路线之间实现安全和效率的平衡。通过在不同地铁站点上计算均方根误差(RMSE),我们评估最准确的安全系数模型,并进行全面的最短路 - 利用图神经网络学习分支界限中节点比较
提出了一种新的 siamese 图神经网络模型来解决整数规划中的节点比较问题,实验证明该方法比现有的排列方法和其他机器学习方法都更有效。
- 0-1 多维背包问题中有潜力的搜索空间的发现与探索
本文提出了一种基于演化算法和大邻域搜索的启发式算法,用于解决 0-1 多维背包问题。此算法通过整数规划探索良好部分分配所确定的有前途的搜索空间,从而找到更高质量的解。反复实验结果表明,所提出的算法可以在解质量方面优于现有的 TPTEA 和 - Deep VULMAN: 一种深度强化学习驱动的网络漏洞管理框架
提出了基于深度强化学习代理和整数规划方法的漏洞管理框架 Deep VULMAN,该框架可以确定在不确定性下漏洞管理过程中最优资源分配和优先漏洞实例的选择,并在模拟和实际应用数据上优于现有方法。
- CVPR一个用于健壮拟合的混合量子 - 经典算法
该论文提出了一种使用混合量子经典算法的鲁棒拟合方法,采用一系列整型规划求解并实现全局解或误差界限,该方法可为计算机视觉中的随机启发式算法提供较实用的改进。
- AAAI通过强化学习引导的整数规划实现鲁棒调度
本文提出了一种结合深度强化学习和整数规划的技术 ——NICE,用于解决飞行员航班表调度中的鲁棒性问题,实验结果表明,相较于基线方案和鲁棒整数规划,NICE 能够更有效地减少调度中不良因素所带来的影响。
- OMPQ: 正交混合精度量化
提出使用网络正交性作为网络量化的代理指标,使用线性规划优化代理指标,降低搜索时间和数据依赖性,从而实现高效且准确的网络量化,分别在 ResNet-18 和 MobileNetV2 上实现了 72.08% 和 71.27% 的 Top-1 准 - 物理启发图神经网络的组合优化
本文介绍了如何使用图神经网络来解决组合优化问题,包括最大割、最小顶点覆盖和最大独立集等一些组合优化问题。通过在问题哈密顿量上应用松弛策略,我们生成了一个可区分的损失函数,并在无监督训练过程结束后对整数变量进行简单的投影。实验表明,我们的方法 - 树搜索配置的样本复杂度:割平面与更多
该研究利用样本证明了学习高性能的割平面选择策略对于速度优化和优化解的寻求非常重要,同时研究了复杂的割选择策略和树搜索组件的学习方法。
- ICMLCombOptNet:通过学习整数规划约束来解决正确的 NP-hard 问题
在这项工作中,我们旨在将整数规划求解器整合到神经网络架构中作为能够学习成本项和约束项的层,以便从原始数据中提取特征并使用最先进的整数规划求解器解决适当的(经过学习的)组合问题。该结果的端到端可训练架构以综合性能分析在合成数据上演示,且在竞争 - ICML在潜变量存在时使用整数规划进行因果结构学习
本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图,并通过整数规划公式求解,能够有效获得优秀结果,且优于现有基准方法。
- 量子优化的热启动
本文介绍了如何通过松弛问题来启动量子优化,并研究其性质,以实现与经典算法相当的性能保证。在组合优化问题中,这种启动方式特别有益,可以加速 QAOA 的求解。
- 改进后训练神经量化:逐层校准与整数规划
本文研究使用后训练量化方法达到低于 8 位的精度损失和模型压缩,采用分层次优化参数和整数规划方案,性能在视觉和文本模型上最优。
- 世界建筑的向量化:基于基元检测和关系推理的平面图重构
这篇论文通过使用 CNN 和 IP 算法,从单一 RGB 图像中推断出室外建筑物的 2D 平面图结构,取得了显著的结果,并提出了可供分享的代码和数据。
- 分类中的预测复杂性
本研究旨在解决机器学习中不同模型之间预测结果冲突的问题,定义了预测重复性作为预测问题接受有多个竞争模型的能力,并引入形式化的度量方式和整数规划工具来计算它们,应用于反复犯罪预测问题中,结果显示现实世界的数据集会接受互相冲突的模型,提出了需要