智能AI
morning
CG4AI：用于在约束下训练 AI 模型的列生成框架
摘要
arXiv:2608.26375v1 Announce Type: new Abstract: Standard machine-learning training minimizes a loss function over a dataset, but does not guarantee that the resulting model will satisfy predefined rul...
the
constraints
that
CG4AI
while
and
new
learning
training
model
2026-08-28
1 阅读
约1分钟阅读
Youcef Magnouche, Abderrahmane Driouch, S\'ebastien Martin, Pierre Bauguion
字号:
arXiv:2608.26375v1 公告类型：新 摘要：标准机器学习训练可最小化数据集上的损失函数，但不能保证生成的模型将满足预定义的规则或对其输出的约束。在许多实际应用中，从自治系统到网络路由，这种保证至关重要。我们提出了 CG4AI，这是一个构建人工智能模型的凸组合，同时对组合输出实施线性约束的框架。主线性程序 (LP) 确定最佳混合权重，而定价子问题则生成由 LP 双变量引导的新模型，重点关注最违反的约束。切割平面程序将可行性保证扩展到训练集之外。我们将 CG4AI 应用于两个问题：(i) MNIST 上的数字分类，其中我们展示了约束的四种不同用途：仅从约束中学习、提高对抗鲁棒性、纠正错误分类的示例以及强制输出重新标记； (ii) 多商品流问题，其中对神经网络路由预测器施加链路容量约束。在 MNIST 和标准 SNDLIB 基准网络上进行的实验表明，CG4AI 能够可靠地生成可行的预测变量，同时实现比单模型基线更好的准确性。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱