- 基于优化紧束的 ReLU 网络的计算权衡
利用混合整数线性规划（MILP）模型来表示带有修正线性单元激活函数的神经网络的使用已在过去十年中越来越普遍。本研究探讨了这些边界的紧密性与求解结果 MILP 模型的计算付出之间的权衡，并提供了实施这些模型的指南，基于网络结构、正则化和四舍五 - 系统级安全防护：通过不确定的神经网络动力学模型实现安全跟踪控制
利用神经网络作为预测模型来解决具有不确定性的动力系统的轨迹跟踪问题，并通过混合整数线性规划方法提供了整体系统的安全保证。
- 通过敌对实例增强促进精确求解器的泛化能力
通过对混合整数线性规划问题应用机器学习，我们提出了一种新方法 AdaSolver，通过实例增强来改善分支定界求解器的泛化效果，从而显著提高效率。
- DIG-MILP: 深度实例生成器与可行性保证的混合整数线性规划
DIG-MILP 是一种基于变分自编码器（VAE）的深度生成框架，它能从非常有限的 MILP 数据中提取深层结构特征，并生成与目标数据密切相似的实例。通过两个不同的下游任务，即数据共享和数据增强，我们的实证研究突出了 DIG-MILP 生成 - 离散时间系统的神经李雅普诺夫控制
提出了一种针对离散时间系统学习神经 Laypunov 控制器的方法，其中包括计算 Lyapunov 控制函数的混合整数线性规划方法、计算子水平集的新方法以及基于启发式梯度的方法以加速学习 Lyapunov 函数。实验结果表明，该方法在四个标 - 针对 ReLU 网络鲁棒性的量子计算高效 MILP 分解
本文研究了利用分解方法解决 Mixed-Integer Linear Programming 问题的量子计算技术，其中，Dantzig-Wolfe 分解方法比 Benders 分解方法要更实际可行，并在 ReLU 网络的鲁棒性认证中取得了节 - 多类分类的学习最优公平评分系统
使用混合整数线性规划技术，我们提出了一种可解释的，具有稀疏性和公平性约束的多类别分类评分系统，扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。
- 整数规划切割平面的机器学习：一项调查
本论文调查了机器学习在选择混合整数线性规划中剪切平面的技术上的应用，通过使用数据来确定有希望的剪辑以加速 MILP 实例的解决方案，并分析文献中的实证结果以量化已经取得的进展，并建议未来的研究方向。
- POMDP 中的期望总奖励欠估计算
本文研究了如何通过计算部分可观察马尔可夫决策过程的总期望奖励的下界来解决通常难以解决的问题，提供了两种技术：使用良好策略的简单技术和使用概率之间的最小移位的更高级别的技术。同时，本文还使用混合整数线性规划找到这样最小概率移位，并在实验中表明 - 深度强化学习的验证性概率策略
本研究提出了一种基于 Markov 决策过程、混合整数线性规划、熵式细化和概率模型检验的抽象方法，用于验证深度强化学习中的概率策略，并在一些强化学习基准测试上验证了其有效性。
- AAAI参数化分支定界搜索树以学习分支策略
采用参数化状态来帮助泛化 “学习分支” 方法，该方法可以有效地处理各种 MILP 问题，通过模拟学习框架实现新的输入特征和架构以表示分支决策，从而在准确性和 B&B 树的大小等方面具有显著的优势。
- 深度神经网络无损压缩
本文介绍了一种名为 LEO 的算法，该算法利用混合整数线性规划技术在线性行为上识别修正线性单元，以便使用 L1 规则进行训练，从而实现在有限计算资源下实现神经网络无损压缩。
- MM学习神经网络转移模型的规划奖励潜力
使用有限时间约束生成算法，将基于神经网络的观察到学习和规划过程中的潜在奖励函数上界计算建立为二层规划问题，并通过提前计算奖励潜力来强化混合整数线性规划模型的线性松弛度，以在长期视野下有效计算奖励潜力。