- 实现型人机协作的动态模型:理论和实证证据
使用机器学习模型进行人机协作系统,研究展示了其动态过程、稳定状态和实际效果;通过针对背包问题的实验,发现人类在与机器学习模型合作中能够改进预测性能,同时发现货币激励对人类决策没有积极影响。
- CIDR:一种协同集成的动态细化方法用于最小特征移除问题
通过合作集成动态细化方法 (CIDR) 和合作集成梯度 (CIG),我们设计了一种辅助的最小特征细化算法,以确定来自众多候选集的最小特征集,从而解决了后续解释领域中的最小特征移除问题。实验表明,CIDR 能够追踪具有更好解释性的代表性最小特 - 利用拉格朗日对偶框架近似求解背包问题
利用拉格朗日对偶框架改进约束满足度的神经网络模型来近似解决背包问题,实验结果表明在强约束满足度下减少了最优解性能的一些损失。
- 高维线性多臂赌博机与背包问题
研究如何在高维度环境下应用稀疏估计和在线学习算法改进上下文强化学习中的多臂老虎机与背包问题,通过联合在线估计和原始 - 对偶框架,控制背包容量,从而取得了特征维度对数级依赖的次线性遗憾,同时在数据贫瘠和数据丰富情况下实现了最优遗憾结果。
- 背包问题:连通性、路径和最短路径
我们研究了具有图论约束的背包问题,证明了该问题是 NP 完全问题,并提出了一个在多项式时间内运行的算法以及一个近似算法。
- 利用图神经网络解决双层背包问题
本文提出了使用图神经网络解决双层背包问题的深度学习方法,该方法通过训练模型来预测领导者的解决方案,从而将层次优化问题转化为单层优化问题,我们的模型找到的可行解比精确算法快了约 500 倍,并且在训练大小不同的问题上表现良好。
- 随机序列模型下背包和 GAP 的改进在线算法
本研究中,我们研究了在随机顺序模型下,针对背包问题和广义分配问题的在线算法,提出了一种基于两个优化算法的新型算法,竞争比最高达到 1/6.65 和 1/6.99。
- AAAI神经网络有限大小解决背包问题
本文从动态规划的角度出发,探索了神经网络的表达能力与重复神经网络计算背包问题的最佳解或最小保证解值,提出了一种具有四层深度且宽度依据背包问题最优解的平方级别的背包问题重复神经网络,可以找到最优解或最小保证解值,得出了衡量神经网络大小和计算背 - 一种基于状态聚合的深度强化学习解决背包问题的方法
本文提出了一种基于深度强化学习的解决背包问题的方法,该方法采用状态聚合策略和 Advantage Actor Critic 算法处理背包问题的每个问题实例,在每个时间步骤逐个选择物品,重复选择直到得到最终解决方案,实验表明该方法能够提供接近 - 使用内部蒸馏的背包修剪
本研究提出了一种基于背包问题和内部知识蒸馏的神经网络剪枝方法,该方法能够在优化被剪枝网络的最终准确性的同时,从过度参数化的母网络的内部层中提取知识,并使用块分组方法来处理复杂的网络结构。该方法在 ImageNet、CIFAR-10 和 CI - 统一随机和对抗性赌博机与背包问题
本文研究了在预算限制下的拟背包问题下应用 EXP3.BwK 算法解决对抗性赌徒问题,提出了在线学习方案并给出了相应的后悔界。研究表明,当动作成本与预算大小相当时,可实现的后悔界可能会极差,相比于成本受限的情况。
- 容量动态规划:更快的背包和图算法
该论文提出了改进的算法,能够在更短的时间内解决背包问题,同时开始对容量动态规划进行系统研究,并利用任务松弛和子问题中出现的凸性创新性的解决问题的方法。