神经网络中黑箱组合求解器的学习与优化
机器学习
2020-06-09 v1 机器学习
摘要
在神经网络内部使用黑箱求解器是一个相对较新的领域，旨在通过引入针对复杂问题已证明高效的求解器来提升神经网络性能。已有工作创建了将这些求解器作为组件进行学习网络的方法，同时将其视为黑箱。本文试图通过不仅针对主损失函数进行优化，还利用时间代价正则化（Time-cost Regularization）对求解器自身性能进行优化，从而改进现有技术。此外，我们提出了一种学习黑箱参数的方法，例如使用哪个黑箱求解器或特定求解器的启发式函数。为此，我们引入了超黑箱（hyper-blackbox）的概念，即围绕一个或多个内部黑箱的黑箱。
引用
@article{arxiv.2006.03941,
title = {Learning and Optimization of Blackbox Combinatorial Solvers in Neural Networks},
author = {T. J. Wilder},
journal= {arXiv preprint arXiv:2006.03941},
year = {2020}
}
备注
8 pages, 1 figure