基于RL驱动的混合精度共轭梯度求解器
计算机视觉与模式识别
2025-04-22 v1
摘要
本文提出了一种新型强化学习（RL）框架，用于动态优化共轭梯度（CG）方法中的数值精度。通过将精度选择建模为马尔可夫决策过程（MDP），我们采用Q学习自适应分配关键操作的精度水平，在计算效率和数值精度之间实现最佳平衡，同时通过双精度标量计算和残差计算确保稳定性。实际中，该算法在数据集上进行训练，然后对新数据集进行推理进行精度选择，无需重新分析或重新训练即可适应新问题。这种方式使算法能够无缝适应新的问题实例，而无需重新校准的计算开销。我们的结果表明，RL在提高求解器性能方面有效，标志着RL首次应用于混合精度数值方法。该发现凸显了该方法的实际优势、鲁棒性和可扩展性，为将其与迭代求解器集成提供了宝贵见解，为AI驱动的科学计算进步铺平了道路。
引用
@article{arxiv.2504.14267,
title = {Text-Audio-Visual-conditioned Diffusion Model for Video Saliency Prediction},
author = {Li Yu and Xuanzhe Sun and Wei Zhou and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2504.14267},
year = {2025}
}