Buchumschlag

Relaxation-Informed Training of Neural Network Surrogate Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Tsay, Calvin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Optimization and Control Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Training Neural ODEs Using Fully Discretized Simultaneous Optimization
von: Shapovalova, Mariia, et al.
Veröffentlicht: (2025)

Bayesian optimization as a flexible and efficient design framework for sustainable process systems
von: Paulson, Joel A., et al.
Veröffentlicht: (2024)

P-split formulations: A class of intermediate formulations between big-M and convex hull for disjunctive constraints
von: Kronqvist, Jan, et al.
Veröffentlicht: (2022)

Optimization over Trained (and Sparse) Neural Networks: A Surrogate within a Surrogate
von: Pham, Hung, et al.
Veröffentlicht: (2025)

When Deep Learning Meets Polyhedral Theory: A Survey
von: Huchette, Joey, et al.
Veröffentlicht: (2023)

Global Optimization of Gaussian Process Acquisition Functions Using a Piecewise-Linear Kernel Approximation
von: Xie, Yilin, et al.
Veröffentlicht: (2024)

Optimization Over Trained Neural Networks: Taking a Relaxing Walk
von: Tong, Jiatai, et al.
Veröffentlicht: (2024)

An Efficient Spatial Branch-and-Bound Algorithm for Global Optimization of Gaussian Process Posterior Mean Functions
von: Tang, Wei-Ting, et al.
Veröffentlicht: (2026)

Global optimization of graph acquisition functions for neural architecture search
von: Xie, Yilin, et al.
Veröffentlicht: (2025)

EARL-BO: Reinforcement Learning for Multi-Step Lookahead, High-Dimensional Bayesian Optimization
von: Cheon, Mujin, et al.
Veröffentlicht: (2024)

Scaling Mixed-Integer Programming for Certification of Neural Network Controllers Using Bounds Tightening
von: Sosnin, Philip, et al.
Veröffentlicht: (2024)

Homotopy Relaxation Training Algorithms for Infinite-Width Two-Layer ReLU Neural Networks
von: Yang, Yahong, et al.
Veröffentlicht: (2023)

Weight-Parameterization in Continuous Time Deep Neural Networks for Surrogate Modeling
von: Rosso, Haley, et al.
Veröffentlicht: (2025)

A Quantile Neural Network Framework for Two-stage Stochastic Optimization
von: Alcántara, Antonio, et al.
Veröffentlicht: (2024)

Dual Natural Gradient Descent for Scalable Training of Physics-Informed Neural Networks
von: Jnini, Anas, et al.
Veröffentlicht: (2025)

Enhancing Stability of Physics-Informed Neural Network Training Through Saddle-Point Reformulation
von: Bylinkin, Dmitry, et al.
Veröffentlicht: (2025)

Convergence of Implicit Gradient Descent for Training Two-Layer Physics-Informed Neural Networks
von: Xu, Xianliang, et al.
Veröffentlicht: (2024)

KKT-Informed Neural Network
von: Femine, Carmine Delle
Veröffentlicht: (2024)

Towards Optimal Branching of Linear and Semidefinite Relaxations for Neural Network Robustness Certification
von: Anderson, Brendon G., et al.
Veröffentlicht: (2021)

Convex Relaxations of ReLU Neural Networks Approximate Global Optima in Polynomial Time
von: Kim, Sungyoon, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Hard Linear Equality Constraints
von: Chen, Hao, et al.
Veröffentlicht: (2024)

Optimality-Informed Neural Networks for Solving Parametric Optimization Problems
von: Hoffmann, Matthias K., et al.
Veröffentlicht: (2025)

AutoBalance: An Automatic Balancing Framework for Training Physics-Informed Neural Networks
von: An, Kang, et al.
Veröffentlicht: (2025)

Adaptive Momentum and Nonlinear Damping for Neural Network Training
von: Karoni, Aikaterini, et al.
Veröffentlicht: (2026)

Multi-level Optimal Control with Neural Surrogate Models
von: Kalise, Dante, et al.
Veröffentlicht: (2024)

Wide Neural Networks Trained with Weight Decay Provably Exhibit Neural Collapse
von: Jacot, Arthur, et al.
Veröffentlicht: (2024)

Online Traffic Density Estimation using Physics-Informed Neural Networks
von: Wilkman, Dennis, et al.
Veröffentlicht: (2025)

Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
von: Authier, Jules, et al.
Veröffentlicht: (2023)

Compression-aware Training of Neural Networks using Frank-Wolfe
von: Zimmer, Max, et al.
Veröffentlicht: (2022)

Meta-learning for sample-efficient Bayesian optimisation of fed-batch processes
von: Langdon, Becky, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Network Lyapunov Functions: PDE Characterization, Learning, and Verification
von: Liu, Jun, et al.
Veröffentlicht: (2023)

Towards Guided Descent: Optimization Algorithms for Training Neural Networks At Scale
von: Nagwekar, Ansh
Veröffentlicht: (2025)

Regularized Gradient Clipping Provably Trains Wide and Deep Neural Networks
von: Tucat, Matteo, et al.
Veröffentlicht: (2024)

Convex Formulations for Training Two-Layer ReLU Neural Networks
von: Prakhya, Karthik, et al.
Veröffentlicht: (2024)

Neural Network Training Techniques Regularize Optimization Trajectory: An Empirical Study
von: Chen, Cheng, et al.
Veröffentlicht: (2020)

A Non-Monotone Preconditioned Trust-Region Method for Neural Network Training
von: Angino, Andrea, et al.
Veröffentlicht: (2026)

Neighbor-Sampling Based Momentum Stochastic Methods for Training Graph Neural Networks
von: Noel, Molly, et al.
Veröffentlicht: (2025)

Mean-Field Limits for Two-Layer Neural Networks Trained with Consensus-Based Optimization
von: De Deyn, William, et al.
Veröffentlicht: (2025)

Multi-Objective Linear Ensembles for Robust and Sparse Training of Few-Bit Neural Networks
von: Bernardelli, Ambrogio Maria, et al.
Veröffentlicht: (2022)

An Adaptive and Stability-Promoting Layerwise Training Approach for Sparse Deep Neural Network Architecture
von: Krishnanunni, C G, et al.
Veröffentlicht: (2022)