BriefGPT - AI 论文速递
·
广义线性模型的自动模型选择
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种扩展解决方案，通过使用基于超平面的决策树和其他机器学习模型来近似原问题，并采用自适应采样和鲁棒优化等方法提高约束近似的准确性。测试结果显示了解的可行性和最优性的改进，并与BARON进行了比较，显示了更好的最优间隙或解决时间。
🎯
关键要点
- 本研究提出了一种扩展解决方案，使用基于超平面的决策树建模非线性约束。
- 利用决策树构建原问题的统一混合整数优化（MIO）近似。
- 采用其他可转化为 MIO 的机器学习模型，如梯度提升树、多层感知器和支持向量机，逼近原问题。
- 提出自适应采样方法以提高基于机器学习的约束近似的准确性。
- 利用鲁棒优化考虑样本依赖性训练的不确定性。
- 使用一组松弛方法处理最终 MIO 近似的不可行性。
- 在 81 个全局优化实例中测试增强的框架，展示了解的可行性和最优性的改进。
- 与 BARON 进行比较，在 11 个实例中显示了更好的最优间隙或解决时间。
➡️
