Buchumschlag

T-SKM-Net: Trainable Neural Network Framework for Linear Constraint Satisfaction via Sampling Kaczmarz-Motzkin Method

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Haoyu, Zhang, Yao, Ren, Jiashen, Hou, Qingchun
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LinSATNet: The Positive Linear Satisfiability Neural Networks
von: Wang, Runzhong, et al.
Veröffentlicht: (2024)

GLinSAT: The General Linear Satisfiability Neural Network Layer By Accelerated Gradient Descent
von: Zeng, Hongtai, et al.
Veröffentlicht: (2024)

Clip-and-Verify: Linear Constraint-Driven Domain Clipping for Accelerating Neural Network Verification
von: Zhou, Duo, et al.
Veröffentlicht: (2025)

Bridging Control with Neural Network Verifier alpha-beta-CROWN: A Tutorial
von: Li, Haoyu, et al.
Veröffentlicht: (2026)

Ginger: An Efficient Curvature Approximation with Linear Complexity for General Neural Networks
von: Hao, Yongchang, et al.
Veröffentlicht: (2024)

A Riemannian Optimization Perspective of the Gauss-Newton Method for Feedforward Neural Networks
von: Cayci, Semih
Veröffentlicht: (2024)

Mathematical Programming Models for Exact and Interpretable Formulation of Neural Networks
von: Ataei, Masoud, et al.
Veröffentlicht: (2025)

A Dual Certificate Approach to Sparsity in Infinite-Width Shallow Neural Networks
von: Del Grande, Leonardo, et al.
Veröffentlicht: (2026)

Provable Acceleration of Nesterov's Accelerated Gradient Method over Heavy Ball Method in Training Over-Parameterized Neural Networks
von: Liu, Xin, et al.
Veröffentlicht: (2022)

Towards Efficient Constraint Handling in Neural Solvers for Routing Problems
von: Bi, Jieyi, et al.
Veröffentlicht: (2026)

Temporal Robustness in Discrete Time Linear Dynamical Systems
von: Metya, Nilava, et al.
Veröffentlicht: (2025)

A Constraint Programming Approach for n-Day Lookahead Playoff Clinching in the NHL
von: Rosenberg, Gili, et al.
Veröffentlicht: (2026)

A Penalty-Based Guardrail Algorithm for Non-Decreasing Optimization with Inequality Constraints
von: Stepanovic, Ksenija, et al.
Veröffentlicht: (2024)

Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR
von: Kishida, Masako
Veröffentlicht: (2025)

Local Linearity of LLMs Enables Activation Steering via Model-Based Linear Optimal Control
von: Skifstad, Julian, et al.
Veröffentlicht: (2026)

Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime
von: Geng, Haoyu, et al.
Veröffentlicht: (2023)

Integrating Column Generation and Large Neighborhood Search for Bus Driver Scheduling with Complex Break Constraints
von: Kletzander, Lucas, et al.
Veröffentlicht: (2025)

FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming
von: Li, Hongpei, et al.
Veröffentlicht: (2025)

Hierarchical Deep Reinforcement Learning Framework for Multi-Year Asset Management Under Budget Constraints
von: Fard, Amir, et al.
Veröffentlicht: (2025)

Block Matrix and Tensor Randomized Kaczmarz Methods for Linear Feasibility Problems
von: Zhang, Minxin, et al.
Veröffentlicht: (2024)

A Methodology Establishing Linear Convergence of Adaptive Gradient Methods under PL Inequality
von: Chakrabarti, Kushal, et al.
Veröffentlicht: (2024)

Constraint-Anchored Attribution: Feasibility-Certified Counterfactuals and Bonferroni-PAC Sufficient Subsets for Neural CO Policies
von: Lafifi, Sohaib
Veröffentlicht: (2026)

Fitted Q-Iteration via Max-Plus-Linear Approximation
von: Liu, Y., et al.
Veröffentlicht: (2024)

A Queueing-Theoretic Framework for Stability Analysis of LLM Inference with KV Cache Memory Constraints
von: Nie, Chengyi, et al.
Veröffentlicht: (2026)

Karush-Kuhn-Tucker Condition-Trained Neural Networks (KKT Nets)
von: Arvind, Shreya, et al.
Veröffentlicht: (2024)

Offline Supervised Learning V.S. Online Direct Policy Optimization: A Comparative Study and A Unified Training Paradigm for Neural Network-Based Optimal Feedback Control
von: Zhao, Yue, et al.
Veröffentlicht: (2022)

Optimal Control Operator Perspective and a Neural Adaptive Spectral Method
von: Feng, Mingquan, et al.
Veröffentlicht: (2024)

Analysis of Thompson Sampling for Controlling Unknown Linear Diffusion Processes
von: Faradonbeh, Mohamad Kazem Shirani, et al.
Veröffentlicht: (2022)

Optimal Boundary Control of Diffusion on Graphs via Linear Programming
von: Antil, Harbir, et al.
Veröffentlicht: (2025)

Unrealized Expectations: Comparing AI Methods vs Classical Algorithms for Maximum Independent Set
von: Wu, Yikai, et al.
Veröffentlicht: (2025)

Optimizing the Optimizer for Physics-Informed Neural Networks and Kolmogorov-Arnold Networks
von: Kiyani, Elham, et al.
Veröffentlicht: (2025)

Solving Integrated Process Planning and Scheduling Problem via Graph Neural Network Based Deep Reinforcement Learning
von: Li, Hongpei, et al.
Veröffentlicht: (2024)

Bayesian Optimization for Hyperparameters Tuning in Neural Networks
von: Onorato, Gabriele
Veröffentlicht: (2024)

Constraint programming model and biased random-key genetic algorithm for the single-machine coupled task scheduling problem with exact delays to minimize the makespan
von: Barbosa, Vítor A., et al.
Veröffentlicht: (2025)

Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning
von: Huang, Chenghao, et al.
Veröffentlicht: (2026)

MUSIC: Accelerated Convergence for Distributed Optimization With Inexact and Exact Methods
von: Wu, Mou, et al.
Veröffentlicht: (2024)

LLM4Branch: Large Language Model for Discovering Efficient Branching Policies of Integer Programs
von: Hou, Zhinan, et al.
Veröffentlicht: (2026)

Training Safe Neural Networks with Global SDP Bounds
von: Soletskyi, Roman, et al.
Veröffentlicht: (2024)

Applications of 0-1 Neural Networks in Prescription and Prediction
von: Patil, Vrishabh, et al.
Veröffentlicht: (2024)

Taming Binarized Neural Networks and Mixed-Integer Programs
von: Aspman, Johannes, et al.
Veröffentlicht: (2023)