English(EN) Unbiased and Biased Variance-Reduced Forward-Reflected-Backward Splitting Methods for Stochastic Composite Inclusions

详细介绍随机复合包含的新方差缩减技术

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了用于随机复合包含的新型方差缩减技术，引入了无偏和有偏估计量。包括小批量 SGD 和无循环 SVRG 在内的无偏方法实现了 $\mathcal{O}(1/k)$ 的收敛率。新引入的有偏估计量，如 SARAH 和 Hybrid SGD，在保持收敛的同时也提供了不同的预言机复杂度。这些方法通过在不平衡分类的 AUC 优化和强化学习中的策略评估的数值实验得到证明。 AI

影响引入了可能提高机器学习模型训练效率的新优化技术，特别是在不平衡分类和强化学习等领域。

排序理由该集群包含一篇详细介绍机器学习新方法和理论结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

本文如何被排名

Signal score: 37 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍机器学习新方法和理论结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Quoc Tran-Dinh, Nghia Nguyen-Trung · 2026-09-10 04:00

用于随机复合包含的无偏和有偏方差缩减前向反射后向分裂方法

arXiv:2603.15576v2 Announce Type: replace-cross Abstract: This paper develops new variance-reduction techniques for the forward-reflected-backward splitting (FRBS) method to solve a class of possibly nonmonotone stochastic composite inclusions. Unlike unbiased estimators such as …

本文如何被排名

报道来源 [1]

用于随机复合包含的无偏和有偏方差缩减前向反射后向分裂方法

相关实体

相关话题