对偶 Lagrangian 学习用于锥优化
原文中文,约300字,阅读约需1分钟。发表于: 。该研究论文介绍了双拉格朗日学习 (DLL) 方法,该方法将锥对偶理论与机器学习模型的表示能力相结合。DLL 利用锥对偶性提供对偶可行解,从而为参数线性和非线性锥优化问题提供有效的拉格朗日对偶界限。该论文介绍了可微锥投影层、系统性的对偶完成过程和自监督学习框架。DLL 的有效性已在线性和非线性参数优化问题上得到证明,其中 DLL 提供的有效对偶界限与最优解相差不超过 0.5%。
该研究介绍了双拉格朗日学习 (DLL) 方法,结合锥对偶理论和机器学习模型的表示能力。DLL 利用锥对偶性提供对偶可行解,为参数优化问题提供有效的拉格朗日对偶界限。论文介绍了可微锥投影层、对偶完成过程和自监督学习框架。DLL 在线性和非线性参数优化问题上表现出色,与最优解相差不超过0.5%。