optimization

本文对6G-IoT波束成形优化进行了系统的机器学习研究，比较了网络、环境、设备和视觉特征组的预测能力，并应用聚类方法以提升性能。

本文介绍了一个受ADMM启发的动量框架（AIM）和一个新的优化器RADAR，从理论上将动量解释为残差驱动的乘子校正，实验表明在强自适应基线上取得了持续改进。

介绍“Training Under Challenge”（挑战下训练），这是一个可执行证书框架，利用架构有效的过程构建替代模型，并估计神经网络检查点的经验全局最优性差距，具有理论保证以及基于 ResNet-18 蒸馏和量化去噪的实验。

本文分析了随机低维重参数化何时能训练神经网络，推导出随机切片残差的取向分辨主公式，并引入RaMaN——一个可扩展框架，能以极低内存成本预测所需潜在维度。

本文介绍了ε-MemEvo，一个用于基于LLM的程序演化中跨任务知识迁移的框架，它将策略记忆存储为自然语言摘要，并使用自适应注入门控。该框架在8个优化基准上均取得了性能提升，计算开销不到1%。

A deep dive into Ruby's internal ar_table structure for small hashes, explaining the linear lookup mechanism and exploring potential optimizations.

一篇论证NP难问题在实践中往往并不像人们普遍认为的那样棘手的文章，引用了现代求解器和算法进展，它们能高效处理现实世界的实例。

本文提出一种新的非对称鲁棒有界稀疏平滑（aR）损失函数，用于l1范数惩罚的几何孪生支持向量机（aRSGTSVM），以处理带有标签噪声和特征噪声的分类与回归任务，实现特征选择并提高鲁棒性。在合成数据集、UCI数据集以及中国股市指数跟踪上的实验表明了其优越性。

This paper introduces PAIR, a pairwise-aware inclusion reweighting method for adaptive rollout allocation in RLVR, improving sample efficiency and accuracy over pointwise allocators by correcting biases in pairwise gradient estimation.

本文提出自适应混合粒子群优化（AHPSO），利用群体多样性的sigmoid函数在搜索过程中自动调节梯度影响。结果表明，在特定问题类别上，它优于标准粒子群优化，并能与CMA-ES相媲美，但优势并非普遍适用。

本文介绍了基于边的连续p-中位（ECpM）问题，用于将道路网络划分为紧凑的区域，提出了两个带有连续性约束的0-1规划模型，并在大型道路网络上进行了测试。最短路径约束模型相比基于割集的分支切割方法实现了显著的加速，并与物流分区相关。

本文介绍了P&ID Pilot，一个端到端的AI流水线，结合遗传算法和LLM来生成最优的工艺流程图（PFD），并将其转换为经过验证的管道和仪表图（P&ID），从而减少人工工程工作量。

本文解释了为什么与其他浏览器相比，Chrome 中的微型 JPEG 看起来会不同，原因在于一种 JPEG 解码优化，它会在重度缩小尺寸时跳过高频 DCT 系数。

本文介绍了一个专为 Apple Silicon 优化的 Automatic1111 分支，加入了 Metal 优化（例如 Metal Flash Attention），以加速 Stable Diffusion 1.5 的生成速度，在 M3 Pro 上将时间从 8-10 秒缩短至 3-7 秒，在 M1 Mac Mini 上从 13-20 秒缩短至 8-10 秒。

本文提出一种加速高维函数深度神经网络训练的方法，通过引入上下文特征（包括来自分解预训练DNN的秩1特征和张量特征），并利用随机张量分解将存储成本降低数个数量级。

Introduces Boundary-Seeking Policy Gradient (BSPG), a first-order method for safe reinforcement learning that actively drives the policy toward the constraint boundary, with convergence guarantees and improved reward/boundary tracking on a Safety-Gymnasium task.

本文研究了工具文档中的信息如何在不同设置下影响LLM智能体的性能，并提出了DocsChisel——一个自适应框架，通过迭代优化工具文档来提高任务成功率。

一篇理论论文，介绍了Decoupled Descent (DD)，一种训练方法，它利用近似消息传递（AMP）的Onsager修正来在梯度下降过程中强制训练误差与测试误差之间的渐近相等，从而可能实现更好的停止和超参数调整。

本文提出了一种混合嵌套搜索框架，在LLM驱动的进化优化中，将结构草图（由LLM生成）与数值参数优化（由CMA-ES等传统求解器完成）解耦，并在元优化、基于代码的策略和贝叶斯推断任务中进行了验证。

本文从理论上分析了连续DAG学习中的支持选择，表明仅靠平滑无环约束无法在可行性之外对支持进行排序，推导了NOTEARS/DAGMA的选择时间，并对320条轨迹进行了经验审计。