本文介绍了一种在单纯形乘积空间上优化函数的新方法，该方法适用于学习概率分布和函数数据配准等任务。该方法通过将乘积单纯形重新参数化为一个光滑流形，从而将无约束优化问题转化为一个可解的问题。这种重新参数化将流形上的二阶 KKT 点映射到原始单纯形上的弱二阶 KKT 点，从而实现了一种优于投影梯度下降的黎曼梯度下降算法，并能更准确地表示函数形状。 AI
影响 引入了一种适用于概率张量分解和函数数据配准等机器学习任务的新优化技术。
排序理由 该条目是一篇提交到 arXiv 的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Karush–Kuhn–Tucker conditions
- Projected Gradient Descent
- Riemannian gradient descent methods for graph-regularized matrix completion
- Square Root Velocity Function
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
