研究人员开发了针对一类误设鞍点问题的新算法,其中未知参数必须与优化同时学习。所提出的方法基于加速原对偶(APD)框架,包括一个朴素扩展和一个新的面向学习的变体,该变体调整动量更新以适应参数动态。两种算法都实现了可证明的 O(log K / K) 收敛速率,其中面向学习的方法提供了更紧密的常数和自适应步长选择。该框架已扩展到具有多个最优解的问题,实现了 O(1/sqrt(K)) 的速率,并在误设投资组合优化中展示了优越的经验性能。 AI
影响 引入了同步学习与优化的新算法方法,有可能提高投资组合优化等复杂机器学习任务的性能。
排序理由 该条目是一篇学术论文,详细介绍了机器学习中特定类别优化问题的新算法和理论分析。[lever_c_demoted from research: ic=1 ai=1.0]
- Accelerated Primal-Dual (APD)
- alphaXiv
- arXiv
- Aybat
- CatalyzeX Code Finder for Papers
- cs.LG
- DagsHub
- Erfan Yazdandoost Hamedani
- Gotit.pub
- Hamedani
- Hugging Face
- IArxiv
- Influence Flower
- ScienceCast
- Simultaneous Learning and Optimization via Misspecified Saddle Point Problems
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →