PulseAugur
中
实时 08:37:10
English(EN) Establishing Boundary KKT Convergence of Mirror Descent through Reparameterization

新证明确立了镜像下降在非凸问题上的收敛性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员为镜像下降在非凸优化问题上的收敛性提供了证明，特别解决了不排除边界限制的情况。该证明依赖于一种新颖的度量展平重参数化方法，该方法允许定义边界扩展。当应用于涉及香农熵、费米-狄拉克熵和幂核的目标时，该框架证明了收敛到 KKT 点。未来的工作旨在将此方法扩展到更广泛的 Bregman 型算法和更复杂的约束几何。 AI

影响 为机器学习中使用的优化方法建立了理论收敛保证。

排序理由 该集群包含一篇详细介绍优化算法新数学证明的研究论文。[lever_c_demoted from research: ic=1 ai=0.7]

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 →

新证明确立了镜像下降在非凸问题上的收敛性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Kuangyu Ding, Kim-Chuan Toh ·

    通过重参数化建立镜像下降的边界KKT收敛性

    arXiv:2608.07248v1 Announce Type: cross Abstract: We prove that mirror descent converges to a KKT point for the nonconvex problem without excluding boundary limits. The result holds under verifiable conditions that jointly couple the objective, the Legendre kernel, and the feasib…

相关实体

相关话题