★ 2
COCO 问题实现多对数约束违反与近优遗憾
论文研究带对抗性凸损失与约束的在线凸优化(COCO),提出结合连续 Hedge 与收缩可行集消除的在线策略。该策略在保持 O(√(T log T)) 遗憾的同时,将累积约束违反从多项式级降至 O(log²T),核心工具是 Grünbaum 不等式与自适应学习率势函数。
arXiv cs.LG27 天前
共 4 篇相关资讯,按重要度与时间排序,每 3 小时更新。
论文研究带对抗性凸损失与约束的在线凸优化(COCO),提出结合连续 Hedge 与收缩可行集消除的在线策略。该策略在保持 O(√(T log T)) 遗憾的同时,将累积约束违反从多项式级降至 O(log²T),核心工具是 Grünbaum 不等式与自适应学习率势函数。
论文提出 DePICT,通过按优化器解敏感度对上下文方向排序并跨运行区间聚合,构建决策保持接口。基于 KKT 条件刻画上下文方向何时与优化器相关,指出出现在活跃优化问题中未必影响最终决策。受控诊断中精确恢复决策相关接口,线性预测器遗憾降至 0.009,远优于最强基线 0.475。
论文提出一种通用框架,允许神经网络预测任意连续向量,再通过基于 Frank-Wolfe 与近似 Carathéodory 结果的几何分解算法,用可行解的稀疏凸组合逼近。该分解导出几乎处处可微的自监督损失,并在推理时提供自动舍入保证。在二次分配、最大覆盖与旅行商问题上展示了强劲性能。
针对离散黑盒优化中代理模型难以捕捉可行性逻辑约束的问题,论文提出基于张量分解的代理建模方法,直接整合可行性信息。作者将代理训练形式化为约束多项式优化,并用 T-范数导出的可微惩罚项求解松弛形式。在合成与真实基准(含压力容器设计)上,该方法有效避开不可行区域,提升样本效率。