研究人员开发了一种新的稀疏数据增强方法，用于非凸优化问题，这在几何机器学习中尤为重要。该技术允许使用一小组固定的变换来近似完整的数据增强，从而显著降低与大型变换组相关的计算成本。所提出的方法使用稀疏增强目标上的梯度下降，与标准的组随机梯度下降或完整增强方法相比，需要更少的变换查询，并为找到驻点提供了可证明的保证。 AI
影响 这项研究通过减少计算开销，有望提高几何应用中机器学习模型的训练效率。
排序理由 该集群包含一篇详细介绍具有理论保证的新优化方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.08133v1 Announce Type: cross Abstract: In nonconvex optimization problems arising in geometric machine learning, data augmentation is commonly used to promote invariance by averaging empirical losses over transformations of the data. Computing the fully augmented objec…
In nonconvex optimization problems arising in geometric machine learning, data augmentation is commonly used to promote invariance by averaging empirical losses over transformations of the data. Computing the fully augmented objective, however, requires access to every element of…