- 一个对不诚实赌场的反事实分析
通过引入结构因果模型,本研究使用线性规划方法求解在动态隐藏马尔可夫模型中与作弊有关的预期收益的界限,为因果推断中的反事实推断提供了限制,同时对教育背景下的反事实推断产生了积极影响。
- ICML基于机器学习的自适应列生成稳定化
本论文介绍了一种新方法,通过机器学习准确预测最优对偶解,并结合自适应稳定化技术,缩小对偶值获得更准确结果的间隙,实现了在图着色问题中相对于传统方法更大幅度的收敛速率提升。
- 稳健的数据驱动处方优化
本文提出了一个分布式鲁棒环境下的优化模型,其中 prescriptionness 系数代替了经典经验风险最小化目标来确定最大化上下文决策质量的政策,并使用双分方法求解模型,通过研究上下文最短路径问题来评估模型的鲁棒性。
- 扰动生成树的可微聚类
提出了一种基于最小权重生成树的可微聚类方法,通过线性规划的随机扰动实现平滑和高效的梯度计算,从而在端对端可训练流水线中进行聚类,并演示其在高噪声和具有挑战性的数据集上的性能和用于半监督任务的。
- 在约束条件未知的情况下,预测并优化装箱和覆盖线性规划问题
本文提出了一个新的 Predict+Optimize 框架,可以处理既有在优化目标又有在约束条件中的未知参数,引入了校正函数和惩罚项来解决相关问题,同时提出了一种可处理所有 packing 和 covering 线性方程的算法,实验证明该方 - 线性规划中的结构和因果关系发现
本文从因果性的角度研究了线性规划的一些基本组件,探讨了其在机器学习、概率推断和能源系统等方面的应用。
- ICML用于零和平衡点求解的稀疏线性规划
该论文提出了一种新颖的方法利用线性规划解决计算均衡的问题,这种方法比以往的算法更高效,并可以用于解决大型的信息不完备博弈,特别是在极限状态下。
- 在当前矩阵乘法时间内解决线性规划问题
本文介绍了一种解决线性规划问题的算法,旨在在对矩阵乘法进行研究后,以次二次时间复杂度解决规模为 n 的问题,同时提出了新的概念,如随机中心路径法和投影矩阵等。
- 求解最优输运问题的最优运行时间
本文提出更快的算法来近似计算两个离散概率分布之间的最优传输距离(如移动距离),同时提供对其的简要介绍和优化,通过将最优传输归约为规范化优化问题,该问题可以在近似线性时间内解决,处理了 linear programs 等问题。
- 线性规划中熵惩罚的明确分析
使用熵惩罚方法解决线性规划问题已成为优化界的新热点,这种方法不仅用于解决最优输运问题,并广泛应用于现代大规模机器学习中。本文通过提供一个新的证明来解决关于熵惩罚的长期问题,该证明具有指数收敛和相当的精确度,同时表明熵惩罚方法不适用于线性分配 - Lifted Assignment 问题的 Sinkhorn 算法
本论文提出了将 Sinkhorn 算法用于解决 QAP 的 JA 松弛的一般化算法,该算法基于 Bregman 投影算法,并构建了一种高维的局部单侧版本用于 Bregman 投影,从而比标准方法更稳定和精确地解决了原始线性规划问题。
- NIPS基于同伦参数单形法的稀疏学习
采用参数单形法对稀疏学习问题进行求解,其能够获得完整求解路径、稀疏解以及具有高精度对偶证书的停止准则,并且在各种稀疏学习方法中表现出优越的计算性能。
- 熵方案在最优输运和梯度流中的收敛性
本文证明了熵正则化最优输运问题的 Gamma 收敛性,并证明了隐式步骤按熵正则化距离时收敛于原始梯度流,证明了压缩后的最优输运计划收敛于最优输运计划,这表明了压缩后的熵正则化最优输运计划在熵消失时收敛于最优输运计划。
- 基于 Wasserstein 距离的数据驱动分布鲁棒优化:性能保证和可行重构
研究使用 Wasserstein metric 中有限训练数据集,构建球形分布空间来解决分布鲁棒优化问题,并阐述其在投资组合优化和不确定性量化等领域的实用性和性能保证。
- 子空间最稀疏元素恢复的尺度律
本文介绍了一种用于从一个由稀疏向量和 k 个随机向量张成的子空间中恢复稀疏向量的方法,并证明了当其支撑大小 s 满足 s ≦ n/√(k log n) 时,这种方法的稀疏向量恢复率较高;此外,该方法还可以近似地处理稀疏向量,但需要根据任何代 - 基于颜色精炼的降维
该研究旨在介绍一种基于矩阵的着色技术,将其应用于线性方程组和线性规划问题,并展示该技术可以显着降低解决线性规划的成本。