최적화 문제 해결을 위한 메트릭 학습을 통한 연산자 분할 방법의 수렴 가속화
최근 연구에서는 기계 학습을 활용하여 제약 최적화 문제의 해결을 가속화하는 다양한 방법이 제시되었다. 본 연구에서는 근접 연산자 분할 알고리즘의 수렴 속도를 최대화하기 위해 메트릭 공간을 학습하는 새로운 접근법을 제안한다. 이를 통해 일반적인 2차 프로그래밍 문제에서 기존 이론적 접근법보다 우수한 성능을 달성할 수 있음을 보여준다. 또한 학습된 근접 메트릭과 최적해의 활성 제약조건 간의 강한 상관관계를 발견하여, 메트릭 선택 문제를 활성 집합 예측 문제로 해석할 수 있음을 제시한다.