- 模型预测控制与神经网络之间的映射
用隐式神经网络准确表示具有二次成本和线性约束的线性系统的模型预测控制,并引入一种将隐式神经网络解开为显式网络的方法,这些结果强调了隐式神经网络表示优化问题解决方案的能力,因为这些问题本身是隐式定义的函数。
- Python 实现线性系统的循环利用方法,并应用于多目标优化
通过对线性系统和多目标优化的研究,我们评估了使用常见回收方法解决线性系统时的性能,并讨论了在 Python 和 PyTorch 中实现这些回收策略的挑战和解决方案。我们的目标是在已建立的帕累托前沿代码中实现 RMINRES,并在 Pytho - 结构化半定规划用于恢复结构化预条件器
我们开发了一个普遍框架用于寻找解线性系统的近似最优预条件器,利用该框架,我们获得了优化预条件化和线性系统求解问题的运行时间改进。
- 利用共享结构对有限数据进行模型估计
本文提出了一种方法,通过使用现代数据集中的共享结构,可以利用其他系统的数据来估计个体参数,即使每个系统的观察次数只有 T 次,我们的算法可以在低维参数空间内恢复参数估计,并提供估计误差保证。
- 系统辨识的非渐近理论教程
该论文介绍了最近在系统辨识理论中发展起来的非渐近方法,重点介绍了在该领域的一系列问题中特别有用的工具,如覆盖技术、Hanson-Wright 不等式和自标准化马丁格尔方法,并使用这些工具对用于识别自回归模型中的参数的各种最小二乘估计器的性能 - 使用随机梯度下降从高斯过程后验分布中进行采样
本论文介绍了通过使用随机梯度算法来近似解决高斯过程中线性系统求解的限制,并利用影响收敛的隐含偏差的谱特点来解释结果,最终在大规模数据集上取得了最先进的预测性能和不确定性估计。
- 高效学习图形进行半监督学习
本研究提出了一种利用多个数据集学习半监督学习图的算法,最终实现了在已知图或者未知图的情况下提高计算效率。
- ELSA: 通过半参数模型视角实现有效标签偏移适应
本文探讨如何解决标签偏移的域自适应问题,提出了基于影响函数几何的时刻匹配框架,讨论了一种名为 ELSA 的解决方案,并通过大量实验证明该方法在无需繁琐的后验校准的情况下,能达到与最先进方法一样的性能并获得计算效率的提升。
- 充分统计量内存近似传递算法
本文提出了一种新的算法 SS-MAMP 来解决 Approximate message passing 算法在迭代过程中的收敛问题,在满足充分统计条件的情况下保证了算法的收敛和正交性。
- 多个未知线性系统的联合学习稳定化
本研究提出一种基于学习的联合稳定化算法,通过对不稳定状态轨迹数据的处理快速学习所有系统的稳定化策略,从而解决了基于联合多系统自适应控制的快速可靠联合稳定化问题。
- ICML物理知识驱动神经网络的单次迁移学习
本研究提出了一种用于转移学习的物理学启发式神经网络(PINNs)通用框架,可用于解决普通和偏微分方程线性系统的一次推断,解决了传统数值方法的许多问题,并通过解决多个实际问题展示了这一神经网络的高效性。
- 线性时变系统中基于扰动的预测控制遗憾分析
研究了在动态预测控制中,如何应对时间变化的线性动态和成本,提出了动态后悔度和控制竞争度的因果关系,并基于扰动边界提出了一种新的证明框架。
- 内存近似消息传递
提出了一种新的低成本迭代参数估计技术 - MAMP,通过长记忆匹配滤波器来抑制干扰并具有与 AMP 相媲美的复杂度,在所有右单位矩阵中,经过优化的 MAMP 收敛于 OAMP/VAMP,并因此成为最优贝叶斯估计。
- 稀疏正则化的平滑双层编程
通过再参数化和双层解析度的相结合,我们提出了一种新的通过线性系统解决 Lasso 问题的方法,可以适用于各种疏松规则和设计矩阵,我们通过数值实验表明了该方法的高效性和鲁棒性。
- 可微因果发现中的未测混杂
通过不可测量变量存在的混淆系统推导不可追踪混杂图(ADMGs)的状态,从而将因果发现视为连续优化问题,并设计不同的可微过程来发现线性方程组的最佳拟合 ADMG 结构。
- 变分量子线性求解器
提出了一种用于在近期量子计算机上解决线性系统的混合量子 - 经典算法 VQLS,通过计算 VQLS 成本函数 C 并保证其大于等于给定的精度 ϵ 的平方除以矩阵 A 的条件数 κ 的平方,实现了解决线性系统方程的目标。
- 目标管的随机可达性:理论和计算
本文利用概率规定的安全性和性能提出了一种针对随机扰动下的约束动态系统的一种优化算法,在考虑时间变化状态约束的情况下,最大化状态始终保持在限定区域内的概率,我们提供充分的条件使随机可达集是闭合、紧凑和凸形的,并提供一种随机传递集估计技术。
- 关于亚线性时间求解线性系统
本文主要研究解决局部线性系统的亚线性算法,并比较了对称对角占优矩阵和半正定矩阵在坐标近似问题上的差异。通过开发出近似坐标的算法,我们证明了存在一定的定量差距,并证明条件数假设是必要且紧束缚的。相比于对称对角占优矩阵,我们证明了对于某些半正定 - 块编码矩阵幂的能量:通过更快的哈密顿模拟改进回归技术
采用区块编码的框架,运用于量子机器学习算法的研究,并开发了几个对于区块编码框架有用的工具。结果表明,这些新算法能够更好地模拟稠密矩阵的哈密顿量,提高量子线性系统求解器的精度。同时,为量子广义最小二乘问题及不同电路网络问题提出了改进方法。
- 加速随机矩阵求逆:一般理论和加速 BFGS 规则,用于更快的二阶优化
本研究提出了第一种在欧几里得空间中解决线性系统问题的加速随机算法,应用于矩阵求逆问题,可得到正定矩阵,进而在优化和机器学习领域中具有广泛应用。该算法还可用于加速机器学习模型的训练。