Beschleunigung der Konvergenz von Operator-Splitting-Methoden für differenzierbare parametrische Programmierung durch Metrik-Lernen
Durch das Erlernen geeigneter Metriken für Proximal-Algorithmen kann die Konvergenzgeschwindigkeit bei der Lösung von Quadratischen Programmen deutlich verbessert werden, insbesondere wenn die aktiven Nebenbedingungen bei der Optimallösung berücksichtigt werden.
Effizientes Lösen großer ganzzahliger linearer Programme mit Davis-Yin-Splitting
Wir präsentieren DYS-Net, eine Methode zum effizienten Lösen großer ganzzahliger linearer Programme, die auf modernen Konzepten der konvexen Optimierung basiert. DYS-Net skaliert mühelos auf Probleme mit Tausenden von Variablen und übertrifft bestehende Methoden in Bezug auf Rechenzeit und Genauigkeit.
Stochastischer Extragradient mit zufälliger Neuanordnung: Verbesserte Konvergenz für Variationsungleichungen
Der Stochastische Extragradient (SEG) mit zufälliger Neuanordnung (SEG-RR) konvergiert schneller als der klassische SEG mit gleichverteilter Stichprobenentnahme, insbesondere für stark monotone, affine und monotone Variationsungleichungsprobleme.
© 2024 by Linnk AI