输入凸 Lipschitz 递归神经网络：面向鲁棒高效过程建模与优化
机器学习
2026-03-17 v6 计算工程、金融与科学
系统与控制
系统与控制
摘要
在现实工程应用的过程建模、优化与控制中，计算效率与鲁棒性至关重要。近年来，基于神经网络的方法虽备受关注，但传统神经网络往往无法同时、甚至单独满足这两个关键要求。受自然物理系统与已有文献启发，输入凸架构已知可提升优化任务的计算效率，而 Lipschitz 约束架构则能增强鲁棒性。然而，将这两种性质结合在单一模型中需要审慎考量，因为强制施加一种性质的不当方法可能损害另一种性质。为此，我们提出一种新颖的网络架构，称为输入凸 Lipschitz 递归神经网络（ICL-RNN）。该架构无缝融合了凸性与 Lipschitz 连续性的优势，能够实现快速且鲁棒的神经网络建模与优化。ICL-RNN 在计算效率与鲁棒性上均优于现有递归单元。此外，它已成功应用于实际工程场景，如化工过程建模以及基于有机朗肯循环的余热回收系统的建模与控制。源代码见 https://github.com/killingbear999/ICLRNN。
引用
@article{arxiv.2401.07494,
title = {Input Convex Lipschitz Recurrent Neural Networks for Robust and Efficient Process Modeling and Optimization},
author = {Zihao Wang and Yuhan Li and Yao Shi and Zhe Wu},
journal= {arXiv preprint arXiv:2401.07494},
year = {2026}
}