Stochastic Monotone Inclusion with Closed Loop Distributions: Analysis and Applications to Machine Learning
This paper analyzes the dynamics and convergence properties of first and second-order monotone inclusions in the context of stochastic optimization problems where the data distribution depends on the decision variable.
과거 데이터를 활용한 Gomory Mixed-Integer Cut Closure 근사화
본 논문에서는 과거 데이터에서 학습된 제약 조건 집계 승수를 사용하여 유사한 MILP 인스턴스 군에 대한 Gomory Mixed-Integer Cut(GMIC) 클로저를 효율적으로 근사화하는 새로운 방법을 제시합니다.
過去のデータを用いたGomory混合整数カットクロージャの近似
本稿では、Gomory混合整数カット（GMIC）クロージャを近似する新しいデータ駆動型ヒューリスティックを提案し、過去の類似MILPインスタンスから学習した制約集約乗数を用いて、新たなインスタンスに対する強力なカットを生成することで、商用MILPソルバーの性能を大幅に向上させることができることを示す。
Approximating the Gomory Mixed-Integer Cut Closure Using Historical Data to Improve MILP Solver Performance
This research demonstrates that historical data can be leveraged to learn effective cutting planes, significantly accelerating the performance of commercial state-of-the-art MILP solvers, particularly on challenging instances.
상수 전위 기계 학습 분자 역학 시뮬레이션으로 밝혀낸 MoS$_{2}$에서의 전위 조절 Cu 클러스터 형성
새로운 기계 학습 기반 분자 역학 시뮬레이션 모델을 통해 전압 변화에 따른 MoS$_{2}$ 표면 위 구리 원자의 거동을 분석한 결과, 특정 전압 이하에서 구리 단일 원자 촉매가 단일 클러스터 촉매로 변형되는 현상을 확인하고 그 메커니즘을 규명했습니다.
Constant-Potential Machine Learning Molecular Dynamics Simulations Reveal Potential-Regulated Formation of Copper Clusters on MoS2
A novel machine learning force field model (EEP-MLFF) enables efficient simulation of electrochemical processes, revealing that applying negative electric potentials can induce the transformation of single copper atoms (SA-Cu) to catalytically active single clusters (SC-Cu) on a MoS2 surface.
基於深度學習的快速偏心自旋黑洞雙星波形生成
本文介紹了一種基於深度學習的新型代理模型 SEOBNRE_AIq5e2，用於加速偏心自旋黑洞雙星系統的波形生成，顯著提升了生成速度和效率，為引力波數據分析提供了強大的工具。
심층 학습 기반의 빠른 편심 스핀 정렬 쌍성 블랙홀 파형 생성
본 논문에서는 딥러닝 기반의 새로운 대리 모델인 SEOBNRE_AIq5e2를 소개하며, 이는 편심 궤도를 가진 쌍성 블랙홀 시스템의 정확한 중력파 파형을 기존 방법보다 훨씬 빠르게 생성합니다.
오너 오브 킹즈 실제 게임 데이터셋 기반 오프라인 강화 학습 벤치마크: Hokoff
본 논문에서는 실제 게임 환경에서 수집된 대규모 데이터셋과 포괄적인 벤치마크 프레임워크를 통해 오프라인 강화 학습(Offline RL) 및 오프라인 다중 에이전트 강화 학습(Offline MARL) 알고리즘의 성능을 평가하고, 기존 방법론의 한계점과 개선 방향을 제시합니다.
Honor of Kings の実ゲームデータセット Hokoff と、オフライン強化学習ベンチマーク
複雑な現実世界のシナリオを反映したオフライン強化学習（RL）とオフラインマルチエージェント強化学習（MARL）の進歩には、大規模で多様なデータセットが不可欠である。本稿では、人気 MOBA ゲーム「Honor of Kings」の複雑なゲームプレイに基づいた、新しいオフライン RL ベンチマークである Hokoff を紹介する。Hokoff は、オフライン RL および MARL アルゴリズムの包括的な評価のためのフレームワーク、多様なレベルの難易度と研究要素を組み込んだデータセット、およびベースライン実装を提供する。
© 2024 by Linnk AI