基于有限标签数据和训练时间的优化代理——半监督贝叶斯神经网络方法
机器学习
2025-06-09 v3 系统与控制
系统与控制
摘要
受限的优化问题在各种工程系统中都有出现，例如库存管理和电力网络。标准的深度神经网络(DNN)基于机器学习的代理在标签数据稀缺且训练时间有限的实际场景中效果不佳。我们提出了一种基于半监督贝叶斯神经网络(BNN)的优化代理，以适应这一复杂场景，其中训练以 sandwich 方式进行，交替进行最小化成本的监督学习步骤和强制约束可行性的无监督学习步骤。我们表明，所提出的半监督BNN在来自能源网络运作的重要非凸约束优化问题上优于DNN架构，实现了预期最大等式间隙降低了最高可达十倍，不等式间隙减半。此外，BNN提供后验样本的能力被用于构建基于有限验证数据的实用意义上的概率置信区间，与先前方法不同。本研究的实现代码可在 https://github.com/kaarthiksundar/BNN-OPF/ 上获得。
引用
@article{arxiv.2410.03085,
title = {Optimization Proxies using Limited Labeled Data and Training Time -- A Semi-Supervised Bayesian Neural Network Approach},
author = {Parikshit Pareek and Abhijith Jayakumar and Kaarthik Sundar and Deepjyoti Deka and Sidhant Misra},
journal= {arXiv preprint arXiv:2410.03085},
year = {2025}
}