arXiv cs.AI· Haoyu Zhu, Xiaochen Zhang, Qingchun Hou·· 13 小时前AI 评分24
Convex-SKM-Net：面向神经凸约束满足的低延迟分块半空间校正
Convex-SKM-Net: Low-Latency Block Halfspace Corrections for Neural Convex Constraint Satisfaction
AI 导读
Convex-SKM-Net 提出一种凸约束满足层，用残差与（次）梯度 oracle 构造线性化半空间，无需约束特定的不等式投影器，并以固定深度对偶投影梯度下降在 GPU 上求解最小位移分块问题。
正文 · AI 翻译
摘要：快速推理和严格满足约束对于基于学习的决策至关重要。现有方法通常依赖特定于约束的投影或可行集参数化，而迭代修复可能代价高昂。我们提出 Convex-SKM-Net，一种凸约束满足层，它从残差和（次）梯度预言机构造线性化半空间，而无需特定于约束的不等式投影器。它使用 GPU 友好的矩阵运算，对最小位移块问题应用固定深度的对偶投影梯度下降（dual PGD）。我们联合学习预测器和正定移动性，调整校正几何以提升目标质量。我们证明了在固定对偶深度下外迭代的收敛性，以及在 Slater 条件和有界次梯度下距离的线性收敛性。我们在三个二阶锥模型预测控制（SOC-MPC）时域和六个电力系统凸松弛上的所有测试输出均满足 $10^{-3}$ 的可行性容差。与最新的约束满足方法相比，在 SOC-MPC 上推理加速最高达 $144.3\times$，在联合训练的凸二次约束二次规划（QCQP）基准上加速 $7.7\times$。在 QCQP 上，平均目标差距为 $0.012\%$，在 $10^{-4}$ 下测试完全可行。学习移动性使五种子仿射任务的平均差距降低 $22.4\%$，并改善了匹配电力系统比较中的差距。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；优化与控制（math.OC） |
| 引用为： | arXiv:2610.38197 [cs.LG] |
| （或 arXiv:2610.38197v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.38197 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haoyu Zhu [查看电子邮件]
[v1]
2026年10月28日星期三 02:45:00 UTC（236 KB）
来源：arXiv cs.AI · arxiv.org