English(EN) SILAGE: Memory-Efficient, Full-Gradient-Free Nonconvex Optimization for Nested Finite Sums

新的SILAGE算法为大型数据集提供内存高效的优化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-16 04:00

研究人员推出了一种新算法SILAGE，该算法专为机器学习中内存高效、无梯度的非凸优化而设计。该方法通过利用嵌套双有限和结构，解决了大型数据集上的经验风险最小化挑战。与需要昂贵的全局梯度刷新或不切实际的大内存占用的先前方法不同，SILAGE仅使用O(n)内存，并通过在每次迭代中最多评估一个局部组梯度来避免周期性的全局刷新。该算法的收敛性分析通过嵌套函数相似性适应数据几何，改进了现有的最先进的界限。 AI

影响这项新的优化技术可以实现对海量数据集上的大型机器学习模型进行更有效的训练。

排序理由该集群包含一篇详细介绍新优化算法的学术论文。[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 →

本文如何被排名

Signal score: 0 / 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新优化算法的学术论文。[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, infra; 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: 114 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Igor Sokolov, Laurent Condat, Peter Richt\'arik · 2026-06-16 04:00

SILAGE：用于嵌套有限和的内存高效、无全梯度非凸优化

arXiv:2606.15832v1 Announce Type: new Abstract: Empirical risk minimization on massive datasets naturally exhibits a nested double finite-sum structure, where $N=nm$ total samples are logically or physically partitioned into $n$ blocks of size $m$ (e.g., in pooled data silos, out…

本文如何被排名

报道来源 [1]

SILAGE：用于嵌套有限和的内存高效、无全梯度非凸优化

相关实体

相关话题