Semi-infinite linear programming approaches to semidefinite programming problems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Interior point methods, the traditional methods for the SDP , are fairly limited in the size of problems they can handle. This paper deals with an LP approach to overcome some of these shortcomings. We begin with a semi-infinite linear programming formulation of the SDP and discuss the issue of its discretization in some detail. We further show that a lemma due Pataki on the geometry of the SDP , implies that no more than O( # k) (where k is the number of constraints in the SDP ) linear constraints are required. To generate these constraints we employ the spectral bundle approach due to Helmberg and Rendl. This scheme recasts any SDP with a bounded primal feasible set as an eigenvalue optimization problem. These are convex nonsmooth problems that can be tackled by bundle methods for nondi#erentiable optimization. Finally we present the rationale for using the columns of the bundle P maintained by the spectral bundle approach, as our linear constraints. We present numerical experiments that demonstrate the e#ciency of the LP approach on two combinatorial examples, namely the max cut and min bisection problems. The LP approach potentially allows one to approximately solve large scale semidefinite programs using state of the art linear solvers. # This work was supported in part by NSF grant numbers CCR--9901822 and DMS9872019 + Department of Mathematical Sciences, Rensselaer Polytechnic Institute, 110 8th Street, Troy, New York, 12180 (kartis@rpi.edu). # Department of Mathematical Sciences, Rensselaer Polytechnic Institute, 110 8th Street, Troy, New York, 12180 (mitchj@rpi.edu). 1 Moreover one can incorporate these linear programs in a branch and cut approach for solving large scale integer programs. Keywords: Semidefinite Programming, Linear Progra...
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découle