The superiorization methodology can be thought of as lying conceptually between feasibility-seeking and constrained minimization. It is not trying to solve the full-fledged constrained minimization problem composed from the modeling constraints and the chosen objective function. Rather, the task is to find a feasible point which is "superior" (in a well-defined manner) with respect to the objective function, to one returned by a feasibility-seeking only algorithm. We telegraphically review the superiorization methodology and where it stands today and propose a rigorous formulation of its, yet only partially resolved, guarantee problem. The real-world situation in an application field is commonly represented by constraints defined by the modeling process and the data, obtained from measurements or otherwise dictated by the model-user. The feasibility-seeking problem requires to find a point in the intersection of all constraints without using any objective function to aim at any specific feasible point. At the heart of the superiorization methodology lies the modeler desire to use an objective function, that is exogenous to the constraints, in order to seek a feasible solution that will have lower (not necessarily minimal) objective function value. This aim is less demanding than full-fledged constrained minimization but more demanding than plain feasibility-seeking. Putting emphasis on the need to satisfy the constraints, because they represent the real-world situation, one recognizes the "asymmetric roles of feasibility-seeking and objective function reduction", namely, that fulfilling the constraints is the main task while reduction of the exogenous objective function plays only a secondary role. There are two research directions in the superiorization methodology: Weak superiorization and strong superiorization.


翻译:高级化方法可被视为在概念上在寻求可行性和限制最小化之间说谎,它不是试图解决由模型限制和选定目标功能构成的全面限制最小化问题,而是在目标功能方面找到一个可行的点,即“超级”(以明确界定的方式),到“唯一可行性研究算法”返回的方法。我们通过电报审查优势化方法及其目前的状况,提出严格制定该方法,但只是部分解决,保障问题。一个应用领域的实际情况通常由建模过程和数据、从计量或由模型用户决定的数据所定义的制约所代表。可行性研究问题需要找到一个与所有制约因素交错的“超级”点,而无需利用任何客观功能在任何具体可行的点上达到目标。 高级化方法的核心在于模型人希望使用一种客观功能,而这种功能的外向性只是寻求一种更低(不一定最低限度)客观功能的可行解决办法。这个目的比完全的、更高级的、更高级的研究作用的难度要小得多,因为比简单的可行性衡量方法更需要一种更高的、更精确的削减任务要求。

0
下载
关闭预览

相关内容

我们给定x,函数都会输出一个f(X),这个输出的f(X)与真实值Y可能是相同的,也可能是不同的,为了表示拟合的好坏,就用一个函数来度量拟合的程度。这个函数就称为损失函数(loss function),或者叫代价函数(cost function)
专知会员服务
50+阅读 · 2020年12月14日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年2月27日
Arxiv
54+阅读 · 2022年1月1日
VIP会员
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员