هوش مصنوعی
مدل NeurPRISE انتخاب سناریوها را در بهینه‌سازی مقاوم تا ۲۰۰ برابر سریع‌تر می‌کند
پژوهشگران با آموزش یک مدل عصبی برای رتبه‌بندی سناریوها، روشی پرهزینه را به فرایندی سریع‌تر تبدیل کرده‌اند؛ نتایج مقاله در سه مسئلهٔ بهینه‌سازی مقاوم آزمایش شده است.
بهینه‌سازی مقاوم دومرحله‌ای با عدم‌قطعیت گسسته، با افزایش تعداد سناریوها می‌تواند حل دقیق را بسیار پرهزینه کند. پژوهشگران در مقاله‌ای که در arXiv منتشر شده، مدل NeurPRISE را معرفی کرده‌اند؛ مدلی که زیرمجموعه‌ای از سناریوها را برای محاسبه انتخاب می‌کند و در آزمایش‌ها ۱۷ تا ۲۰۰ برابر سریع‌تر از روش PRISE بوده است.
روش‌های رایج کاهش سناریو معمولاً فقط خود مجموعهٔ عدم‌قطعیت را در نظر می‌گیرند و به ناحیهٔ امکان‌پذیر یا ساختار تصمیم‌های جبرانی توجهی ندارند. PRISE برای انتخاب سناریوها اثر حاشیه‌ای هرکدام را می‌سنجد و زیرمجموعه‌ای باکیفیت می‌سازد، اما برای هر انتخاب باید چند زیرمسئله حل کند؛ مسئله‌ای که اجرای آن را در مقیاس بزرگ دشوار می‌کند.
NeurPRISE از معماری ترکیبی GNN-Transformer استفاده می‌کند: پیچش گرافی ساختار هر سناریو را کدگذاری می‌کند و سازوکار توجه، تعامل میان سناریوها را می‌سنجد. مدل با یادگیری تقلیدی از اطلاعات سود حاشیه‌ای PRISE، سناریوها را رتبه‌بندی و انتخاب می‌کند.
بر اساس نتایج گزارش‌شده در سه مسئلهٔ بهینه‌سازی مقاوم دومرحله‌ای، NeurPRISE در مقایسه با روش‌های جامع، پشیمانی رقابتی دارد و با تغییر شمار سناریوها نیز مقیاس‌پذیری خود را حفظ می‌کند. نویسندگان همچنین از تعمیم صفرنمونه‌ای به نمونه‌هایی با مقیاس مسئله تا پنج برابر بزرگ‌تر، حداکثر چهار برابر سناریوی بیشتر و توزیع‌های متفاوت خبر می‌دهند. مقاله در فهرست arXiv پذیرش در NeurIPS 2026 را ثبت کرده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده