混合整数計画法における並列LP解決のためのバッチ処理型一次手法
TL;DR本研究は、GPU上で複数の線形計画問題（LP）を並列かつ効率的に解くためのバッチ処理型一次手法を提案しています。基本アルゴリズムとして主双対ハイブリッド勾配法を拡張し、行列・行列演算を活用することで計算速度を向上させています。混合整数計画法の主要な工程において、従来のシンプレックス法を凌駕する性能を示しました。
Cog AI Archive
最新の記事
人気記事ピックアップ
RedSage: サイバーセキュリティに特化した汎用LLM
TL;DRRedSageは、プライバシーリスクを回避しつつ多様なセキュリティ業務を支援するために開発された、オープンソースのサイバーセキュリティ特化型LLMである。118億トークンの専門データによる事前学習と、エージェントベースのパイプラインで生成された26.6万件の指示データによる調整を経て、既存モデルを上回る性能を実現した。
希薄なグラフ上での平均場制御：局所極限から近傍分布を介したGNNへの展開
TL;DR本研究は、従来の平均場制御が前提としていた全結合の仮定を打破し、大規模な希薄グラフ上での制御フレームワークを提案します。局所的な近傍分布を用いてシステム状態を再定義し、有限時間内での最適方策が特定の範囲の近傍に依存することを理論的に証明しました。
適応的ステップサイズを用いた制約付き最適化のためのランダム化実行可能性手法
TL;DR投影が困難な多数の凸制約を持つ最適化問題に対し、目的関数を最小化しつつ制約を満たす新しいランダム化アルゴリズムを提案。目的関数の性質（強凸・平滑、または非平滑な凸）に応じた適応的なステップサイズ戦略を導入し、期待値において線形または$O(1/\sqrt{T})$の収束率を理論的に保証した。QCQPやSVMでの有効性も実証。
A*探索のための効率的なLLMベースのヒューリスティック設計に向けたアルゴリズム的プロンプト拡張
TL;DRA探索などの木探索アルゴリズムにおいて重要なヒューリスティック関数を、大規模言語モデル（LLM）と進化的枠組みを用いて自動生成する手法を提案する研究です。Aのコードをプロンプトに含める「A-CEoH」という新手法により、文脈内学習を強化しました。この手法は物流問題やパズル問題で、専門家が設計した関数を上回る成果を示しました。
方策勾配法を用いた線形システムの出力フィードバック安定化
TL;DR未知の線形動的システムにおいて、システムモデルが不明かつ全状態が観測できない状況下での安定化問題に取り組みます。従来の強化学習手法の多くが全状態フィードバックを前提とする中、本研究は出力フィードバックを用いたゼロ次ポリシー勾配法を提案します。このアルゴリズムは定常点への収束を通じてシステムを安定化させ、そのサンプル複雑性も明らかにしています。
偽データ注入攻撃の検知と位置特定のための注意機構強化型グラフフィルタリング
TL;DR電力システムへのIoT導入に伴い増加する偽データ注入攻撃（FDIA）に対抗するため、ARMAグラフ畳み込みフィルタとTransformerエンコーダを統合した検出・位置特定フレームワークを提案。この手法は、電力網の状態とトポロジーを効果的に活用し、攻撃の検出と被害ノードの特定において高い精度を達成しました。
Group DROニューロンのロバスト学習
TL;DR任意のラベルノイズやグループごとの分布シフトが存在する状況下で、単一ニューロンを学習する問題を扱った研究です。グループ分布ロバスト最適化（Group DRO）問題に対し、計算効率の良い主双対アルゴリズムを開発しました。この手法は、最悪ケースのグループ重み付けにおいて最適解と定数倍の競合比を持つ解を出力します。
保存済みの記事がまだありません。
読み込み中…