面对不等式约束数量极大的随机梯度优化，一种自适应约束采样方法不再每步从全部约束中均匀抽取，而是维护一个近期被违反约束的“重要集”，按概率在重要集与全体约束之间取样。在100维合成凸问题上，它把ABSGD、Projection-SGD与Huber-penalty SGD三种方法的迭代点与最优解的最终欧氏距离平均降低约两个数量级，APDSG降低一到两个数量级；在Dubins Car控制障碍函数合成中，最大约束违反量平均降低半个数量级、最多一个数量级。
证据深度学习用狄利克雷分布参数表示分类不确定性，但标准目标在高置信度下会出现证据收缩。这项工作在盒约束上分析正则化狄利克雷似然的优化地形，证明二阶充分条件等价于一个标量自洽函数导数为正，并给出保证有限步收敛的枚举算法。在CIFAR-10训练的ResNet-18输出的logit上，总证据随置信度单调上升却始终不超过约19.75的理论阈值，活跃集从约2.05个类收缩到1个。
自动驾驶策略在闭环仿真中会自行反应，预先写死路线的场景脚本常因此偏离原本要制造的交互，即闭环漂移。场景编排器持续监测整体交通状态，通过重定时、重路由和角色重指派联合调整非自车车辆，每一步求解一个带约束的优化问题，在限制干预、保持交通可行的前提下维持测试意图。在CARLA仿真器的六类场景族与六种自车策略上，该方法在全部六类场景族中完整实现预设交互，而ProSim、LASER与OSC2Runner等基线大多只满足最容易的前两个场景。
已读完全部报道