跳到正文
热点事件持续更新

SOCPNet提出利用图神经网络学习二阶锥规划求解器动态的新框架

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

2026年10月20日，研究人员Adam Ghalem等人在arXiv平台发表研究，提出了名为SOCPNet的递归图神经网络（GNN）框架。该框架旨在利用二阶锥规划（SOCP）求解器的轨迹数据，学习求解器在迭代过程中的动态行为。 该模型的核心是通过求解器轨迹进行正则化训练，使模型能够逐步精炼对解的估计。在多个数据集上的测试显示，相比基线模型SOCP-GNN，SOCPNet在最终解的误差方面有所降低，提升了求解精度。 该框架还探索了与传统算法的混合应用。研究表明，使用训练好的SOCPNet模型为经典的内点法求解器提供暖启动（warm-start），可以在不牺牲最终解精度的前提下，有效减少求解所需的迭代次数，从而可能提升整体效率。

AI 根据报道生成 · 3 小时前更新

最新进展10月20日 12:00
SOCPNet 利用图神经网络学习二阶锥规划求解器动态

报道时间线

沿着报道，了解事件的不同侧面。

10月20日
  1. arXiv · ML
    SOCPNet 利用图神经网络学习二阶锥规划求解器动态

    SOCPNet 提出了一种递归 GNN 框架，利用求解器轨迹学习迭代求解二阶锥规划（SOCP）问题。 该模型通过轨迹正则化训练，逐步精炼估计值，在多个数据集上降低了相对于 SOCP-GNN 基线的最终解误差。 训练好的 SOCPNet 可混合经典内点法求解器进行暖启动，在不损失精度的情况下减少求解迭代次数。

本事件热度走势

可比范围当前
8
可比范围峰值
810月20日 18:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。