PulseAugur
中
实时 09:24:48
English(EN) A proximal subgradient method for nonconvex stochastic optimization under the Kurdyka-{\L}ojasiewicz condition

新优化方法解决非凸随机问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的近端随机次梯度方法，用于最小化非凸优化问题中的期望成本。该方法适用于广泛的潜在非光滑和非凸积分函数，前提是它们满足下降引理的局部变体。该方法逐步改进样本平均值，并使用Armijo型线搜索来选择步长，即使对于非凸正则化器和没有严格方差界限也能提供收敛保证。该框架建立了函数值的几乎确定收敛性和累积点的平稳性，并在Kurdyka-Łojasiewicz性质下进一步升级为完整的轨迹收敛。 AI

影响 这项研究可能导致更有效的训练方法，用于具有非凸目标函数的复杂AI模型。

排序理由 关于一种新颖优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新优化方法解决非凸随机问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Felipe Atenas, Alejandro Jofr\'e, Pedro P\'erez-Aros, David Torregrosa-Bel\'en ·

    一种非凸随机优化近端次梯度方法，满足 Kurdyka-{\L}ojasiewicz 条件

    arXiv:2608.05460v1 Announce Type: cross Abstract: This work introduces a proximal stochastic subgradient method for minimizing the sum of an expected cost, whose integrand is potentially nonsmooth and nonconvex, and a lower semicontinuous, prox-bounded function. We target a broad…

相关话题