Self-regular proximities and new search directions for nonlinear P*(K) complementarity problems
Notice bibliographique
Résumé
We deal with interior point methods (IPMs) for solving a class of so-called P ( ) complementarity problems (CPs). First of all, several elementary results about P ( ) mappings and P ( ) CPs are presented. Then we extend some notions introduced recently by Peng, Roos and Terlaky [22] for linear optimization problems to the case of CPs. New large-update IPMs for solving CPs are introduced based on the so-called self-regular proximities. To build up the complexity of these new algorithms, we impose a new smoothness condition on the underlying mapping and this condition can be viewed as a natural generalization of the relative Lipschitz condition for convex programs introduced by Jarre [6]. By utilizing various appealing properties of self-regular proximities, we will show that if the undertaken problem satis es certain conditions, then these new large-update IPMs for solving CPs have polynomial O n q+1 2q log n iteration bounds where q is the so-called barrier degree of the corresponding proximity. The research of the rst two authors are mainly supported by the project High Performance Methods for Mathematical Optimization under the Dutch SWON-grant 613-304-200. Both the rst and third authors were partially supported by the National Science and Engineering Research Council of Canada, grant # : 227650-00. The work of the last author was supported by Grant-in-Aid for Scienti c Research ((C@)11650064) of the Ministry of Education, Science and Culture of Japan. This work was nished when the rst author visited the third author at the Department of Computing and Software, McMaster University, Canada. Email: pengj@mcmail.mcmaster.ca, J.Peng@its.tudelft.nl.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».