研究人员开发了一种新颖的方法来分析非凸和非Lipschitz优化问题的Bregman ADMM。该方法用双边相对平滑条件取代了标准的Lipschitz梯度假设，该条件涉及相对于Bregman核的Hessian比较。分析表明，在此条件下，迭代以高概率收敛到严格鞍点，从而导致极限KKT点的几乎确定性二阶平稳性。该工作通过多块星形共识公式扩展到分布式优化，并包括矩阵和张量分解的数值实验。 AI
影响 推动了机器学习模型的优化理论，可能提高复杂非凸问题的训练效率和收敛性。
排序理由 该集群包含一篇详细介绍优化算法理论进展的研究论文。
- Bregman ADMM
- Bregman kernel
- Bregman proximal splitting
- Hessian
- Lipschitz gradient
- matrix decomposition
- primal--dual fixed-point map
- star consensus
- star graph
- tensor decomposition
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
