『运筹OR帷幄』原创
作者:运筹OR帷幄整理
SUMMER
编者按
SUMMER TIME
数据科学与优化密切相关。一方面,我们可使用优化器解决数据科学中的许多问题,另一方面,不能认为通过经典模型(例如来自数学规划的模型)提出的优化问题独立于历史数据。为此,IJCAI2021workshop拟在线举办”数据科学邂逅调度优化“研讨会,研讨会提交文稿截止时间为2021年5月31日,举办时间为2021年8月,地点为加拿大蒙特利尔,活动官网为
https://sites.google.com/view/ijcai2021dso
重要日期
2021年5月31日:提交文稿截止日期
2021年6月15日:收到通知
2021年8月21日:研讨会开始
关于本研讨会
数据科学与优化密切相关。一方面,我们可以使用优化器解决数据科学中的许多问题,另一方面,不能认为通过经典模型(例如来自数学规划的模型)提出的优化问题独立于历史数据。例如:机器学习通常依赖于线性或整数规划等优化技术;推理系统已被应用于约束模式和序列挖掘任务;元启发式方法的并行开发已在数据挖掘和机器学习领域中小有应用。事实证明,组合优化算法可使机器学习方法从基于历史数据的配置、算法选择和调整工具中受益。另外,我们可以将机器学习模型嵌入组合优化问题中,以应对难以建模的系统或验证机器学习模型本身;可以以集成的方式处理“predict then optimize”的pipeline,以显着提高解的质量。
目标与范围
本次研讨会目的是组织来自数据科学,约束优化和运筹学的研究人员公开讨论和思维碰撞,以便确定这些领域的技术如何互惠互利。项目委员会邀请提交的内容包括但不限于以下主题:
1)应用数据科学和机器学习方法来解决组合优化问题,例如基于历史数据的算法选择,使用包括强化学习的机器学习方法来加速(或驱动)搜索过程,以及处理用于决策或预测-决策模型的不确定性神经组合优化。
2)使用优化算法开发机器学习模型:将学习预测模型的问题建模为混合整数规划(MIP),约束编程(CP)或可满足性(SAT)问题。使用搜索算法和元启发式算法调整机器学习模型。从经验数据中学习约束模型。
3)嵌入/编码方法:将机器学习与组合优化、模型转换相结合。
论文具体提交要求请移步官网:
https://sites.google.com/view/ijcai2021dso
页面更新:2024-03-30
本站资料均由网友自行发布提供,仅用于学习交流。如有版权问题,请与我联系,QQ:4156828
© CopyRight 2020-2024 All Rights Reserved. Powered By 71396.com 闽ICP备11008920号-4
闽公网安备35020302034903号