Neues Verfahren: E-Globe liefert skalierbare, präzise Verifikation neuronaler Netze Neurale Netzwerke erzielen beeindruckende Ergebnisse, doch Bedenken hinsichtlich ihrer Robustheit erschweren den Einsatz in sicherheitskritischen Bereichen. Formale Verifikationsmethoden können Zuverlässigkeit garantieren, stoßen jedoch häufig an Grenzen zwischen Skalierbarkeit und Vollständigkeit. arXiv – cs.LG 06.02.2026 05:00
Clip-and-Verify: Beschneidung von Einschränkungen beschleunigt NN-Verifikation In einer bahnbrechenden Veröffentlichung präsentiert ein Forschungsteam einen neuen Ansatz namens Clip-and-Verify, der die Verifikation von neuronalen Netzwerken (NN) deutlich beschleunigt. Durch die gezielte Nutzung linearer Einschränkungen – die häufig aus bestehenden Bounding-Methoden entstehen – kann der Eingaberaum effizient reduziert und die Zwischenbounds im Netzwerk verbessert werden. arXiv – cs.AI 15.12.2025 05:00
Reinforcement Learning optimiert MILP-Modelle: Das neue CORL-Framework Ein neues Forschungsprojekt namens CORL zeigt, wie Reinforcement Learning (RL) MILP-Modelle, die üblicherweise mit Branch‑and‑Bound (B&B) gelöst werden, direkt an reale Daten anpassen kann. Durch diese End‑to‑End‑Optimierung soll die operative Leistung von Entscheidungsprozessen deutlich gesteigert werden. arXiv – cs.AI 15.12.2025 05:00
Neues Lernverfahren steigert Branching-Genauigkeit bei MILP-Optimierung Die Optimierung von Mixed Integer Linear Programming (MILP) bleibt ein zentrales Problem in Forschung und Praxis. Durch den Branch-and-Bound-Ansatz werden MILPs gelöst, wobei die Auswahl des Branching-Knotens entscheidend für die Laufzeit ist. Neu entwickelte neuronale Lernframeworks verbessern diese Auswahl, stoßen jedoch noch immer an Grenzen: semantische Unterschiede zwischen Knoten auf unterschiedlichen Tiefen, ein Mangel an Daten an oberen Knoten und der hohe Aufwand für starke Branching-Beispiele. arXiv – cs.LG 27.11.2025 05:00
N2N: Parallel-Framework beschleunigt MILP-Lösungen auf verteilten Systemen Parallelisierung gilt als vielversprechender Ansatz, um Mixed-Integer‑Linear‑Programming‑Probleme (MILP) schneller zu lösen. Die Komplexität des Branch‑and‑Bound‑Frameworks und die Vielzahl effektiver Algorithmen in bestehenden Solvern erschweren jedoch eine effiziente Parallelisierung. Das neue Framework N2N (Node‑to‑Node) löst dieses Problem, indem es B‑B‑Knoten gezielt auf verteilte Rechenknoten verteilt. arXiv – cs.AI 25.11.2025 05:00
RS-ORT: Neuer Branch-and-Bound-Algorithmus für optimale Regressionsbäume Mixed-Integer-Programming (MIP) hat sich als leistungsstarkes Werkzeug für die Konstruktion optimaler Entscheidungsbäume etabliert. Bisher beschränken sich MIP‑Ansätze für Regressionsaufgaben jedoch häufig auf ausschließlich binäre Merkmale oder werden bei kontinuierlichen, großskaligen Datensätzen schnell unhandlich. Durch die Naiv‑Binarisierung kontinuierlicher Features geht dabei oft die globale Optimalität verloren und die resultierenden Bäume werden unnötig tief. arXiv – cs.LG 29.10.2025 04:00
