CMU博士论文：可微优化机器学习建模

CMU大神博士生Brandon Amos，马上就要毕业了。博士期间，他在可微优化机器学习建模方向，发表了ICLR 一篇，ICML 三篇，NeurIPS 三篇，分析了可微优化机器学习建模的很多问题。近日，他将自己的博士论文也开放了出来，系统的讲述了可微优化机器学习建模的方方面面。

博士论文简介

我们提出了两种基于优化建模的基本方法:

1. OptNet体系结构，将优化问题作为单个层集成到更大的端到端可训练深度网络中，2)引入凸神经网络(ICNN)结构，使基于深度能量和结构化预测模型的推理和学习更加容易。

然后，我们将展示如何使用OptNet方法，1)将无模型和基于模型的强化学习与可微最优控制相结合，2)针对top-k学习问题，我们展示了如何将cvxpy领域特定的语言转换为可微优化层，从而实现本文方法的快速原型化。