Mathématiques - Optimisation et contrôle

Explorer comment les modèles d'IA apprennent la vraie causalité à partir de données diversifiées.

Une approche robuste pour l'optimisation dans des environnements de données bruyants.

Un aperçu des équations intégrales-différentielles et leur impact sur les systèmes du monde réel.

Combiner deux techniques pour améliorer l'évaluation des risques dans des systèmes complexes.

Une méthode pour évaluer l'activité neuronale dans le cortex visuel primaire.

Le cadre MUSIC améliore l'optimisation distribuée en augmentant la vitesse et en réduisant les coûts de communication.

Présentation de nouvelles stratégies pour résoudre des problèmes d'optimisation convexe de manière efficace.

Une nouvelle méthode améliore la vitesse et la précision de l'entraînement SVM avec de gros ensembles de données.

Cette recherche simplifie la preuve de convergence pour l'apprentissage TD avec approximation linéaire des fonctions.

Une nouvelle approche pour visualiser les problèmes quadratiques avec des diagrammes de fils.

Un nouveau cadre pour garantir la performance des méthodes du premier ordre dans l'optimisation quadratique paramétrique.

Une étude sur l'optimisation des horaires de charge des VE dans des parkings avec des limites de puissance.

Un cadre pour gérer la planification des jobs avec des ressources énergétiques limitées.

Cet article parle des méthodes pour améliorer les performances d'optimisation avec une mémoire limitée.

Cet article parle de stratégies pour garder des opinions diverses au sein des groupes.

Une méthode pour que les agents maintiennent des formes avec une communication minimale.

Découvre les avantages de ProjGD pour l'estimation de matrices à faible rang.

De nouveaux algorithmes améliorent la vie privée dans des tâches d'optimisation complexes.

Cet article examine de nouvelles méthodes pour l'apprentissage machine préservant la vie privée.

Une méthode d'entraînement en deux étapes améliore les ODEs neuronales pour les systèmes contraints.

SGD-PH combine des méthodes de premier et de deuxième ordre pour une meilleure performance d'entraînement du modèle.

Un nouvel optimiseur améliore la communication dans l'entraînement AI distribué.

Découvrez comment le cross-docking améliore la logistique et réduit les coûts dans les chaînes d'approvisionnement.

Découvrez GRAWA, une méthode qui améliore l'entraînement distribué pour les modèles de deep learning.

Apprends à créer et à peaufiner des modèles de systèmes dynamiques en utilisant des techniques avancées.

Un nouveau cadre améliore la compréhension des décisions de routage des véhicules.

Explore la contrôlabilité dans les systèmes non linéaires avec des dérives périodiques et ses applications.

Étude de la reconstruction de termes inconnus dans les PDE à partir de données bruyantes en utilisant des méthodes de régularisation.

Apprends comment la décomposition d'optimisation simplifie la résolution de problèmes complexes dans différents domaines.

De nouvelles approches pour les électrodes poreuses améliorent le stockage d'énergie pour les batteries et les supercondensateurs.

Un aperçu des méthodes avancées pour contrôler les systèmes bilinéaires en robotique et en contrôle quantique.

Un aperçu des nouvelles méthodes pour évaluer les options financières en utilisant les données du marché.

Apprends comment les méthodes de recherche directe aident à trouver des solutions optimales de manière efficace.

Examiner des méthodes pour optimiser le flux d'électricité pour une distribution rentable.

Apprends comment le random sketching améliore notre approche des problèmes inverses en analyse de données.

Une nouvelle approche pour gérer l'énergie dans les communautés vise à améliorer l'efficacité et à réduire les coûts.

Les onduleurs sont essentiels pour transformer l'énergie renouvelable en électricité utilisable.

Découvre comment la méthode de la Balle Lourd améliore les techniques d'optimisation.

Méthodes pour gérer les valeurs aberrantes efficacement dans l'analyse de données.

De nouveaux algorithmes s'attaquent aux défis de l'optimisation distribuée avec des agents non fiables.