带预测的快速离散凸函数最小化：M-凸情形
机器学习
2023-06-12 v1 数据结构与算法
摘要
近年来，利用机器学习预测来加速优化算法的研究兴趣日益增长。Sakaue 与 Oki（NeurIPS 2022）提出了一个通用框架，利用预测对 L-凸函数最小化方法进行热启动，揭示了该思想对多种离散优化问题的有效性。本文提出一个利用预测加速 M-凸函数最小化的框架，从而补充已有研究并拓展可从预测中获益的离散优化算法范围。我们的框架对一类重要的子类——层状凸最小化尤为有效，该类问题出现在众多运筹学应用中。我们的方法借助预测可改进最坏情况下的最佳时间复杂度界，甚至有可能突破一个下界结果。
引用
@article{arxiv.2306.05865,
title = {Faster Discrete Convex Function Minimization with Predictions: The M-Convex Case},
author = {Taihei Oki and Shinsaku Sakaue},
journal= {arXiv preprint arXiv:2306.05865},
year = {2023}
}