EnerGNN提出学习与约束优化框架
热点事件持续更新
EnerGNN提出学习与约束优化框架
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Niki Triantafyllou 和 Maria M. Papathanasiou 提出 EnerGNN，通过学习完整二进制配置的能量函数，再用混合整数规划在显式硬约束下进行精确推断；论文称，该框架在多个组合优化问题上取得近似最优解，且可行率达到100%。 论文称，EnerGNN已用于二次背包、组合拍卖和个性化细胞疗法供应链问题；在供应链问题中，平均原始间隙为0.05%，较整体式混合整数规划提速17.4倍。学习到的能量函数还能推广到更大实例，并可在无需重新训练的情况下注入新约束，同时保持可行性。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
EnerGNN：学习与优化兼容的能量函数，实现精确约束组合推断报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningEnerGNN：学习与优化兼容的能量函数，实现精确约束组合推断
EnerGNN提出一种框架，学习完整二进制配置上的能量函数，并通过混合整数规划（MIP）在显式硬约束下进行精确推断。在二次背包、组合拍卖和个性化细胞疗法供应链问题上，该框架实现近似最优解且可行率为100%；供应链问题的平均原始间隙为0.05%，较整体式MIP提速17.4倍。学习到的能量可泛化至更大实例，并支持零样本注入约束，无需重新训练且保持可行性。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。