面向决策问题的参数化凸通用逼近器
机器学习
2022-07-14 v2 神经与进化计算
最优化与控制
摘要
针对一般决策问题，提出了参数化最大仿射（PMA）网络和参数化对数和指数（PLSE）网络。所提出的逼近器通过考虑条件变量与决策变量的函数自变量，并将 MA 和 LSE 网络的网络参数替换为关于条件变量的连续函数，从而推广了现有凸逼近器即最大仿射（MA）和对数和指数（LSE）网络。证明了 PMA 和 PLSE 的通用逼近定理，这意味着 PMA 和 PLSE 是参数化凸连续函数的保形通用逼近器。提供了在 PMA 和 PLSE 网络中引入深度神经网络的实际指导。通过数值仿真验证了所提逼近器的性能。仿真结果表明，对于高维情形，PLSE 在最小化子和最优值误差方面优于其他现有逼近器，且计算可扩展、高效。
引用
@article{arxiv.2201.06298,
title = {Parameterized Convex Universal Approximators for Decision-Making Problems},
author = {Jinrae Kim and Youdan Kim},
journal= {arXiv preprint arXiv:2201.06298},
year = {2022}
}
备注
12 pages, 4 figures