Alternating Direction Method Of Multipliers
PulseAugur coverage of Alternating Direction Method Of Multipliers — every cluster mentioning Alternating Direction Method Of Multipliers across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的低秩张量分解方法使用新颖的Ky Fan p-k范数替代
研究人员提出了一种新的低秩张量分解（LRTC）方法，该方法利用一种新颖的非凸替代函数，即张量核范数到张量Ky Fan p-k范数（TNPK）。该方法旨在准确近似张量管秩，并具有尺度不变性和参数灵活性等特性。论文详细介绍了一个LRTC模型，并证明了在特定条件下低秩张量是局部最小值。为此模型开发了一种高效的算法——交替方向乘子法（ADMM），实验结果表明其性能优于现有方法。
-
研究论文统一了CoCoA和ADMM优化算法
一篇新的研究论文探讨了两个分布式优化算法家族CoCoA和ADMM之间的关系。通过从对偶视角统一它们，研究表明，某些ADMM变体在岭正则化经验风险最小化问题上的表现可以与CoCoA相媲美，甚至更好。统一的视角还为共识ADMM提供了一个新的对偶间隙停止准则，并为ADMM类方法提供了统一的收敛性分析。
-
新的ADMM算法简化了基于PDE的信号处理
研究人员开发了一种名为物理感知线性化ADMM（PA-LADMM）的新算法，用于解决涉及复杂偏微分方程（PDE）的信号处理逆问题。该方法简化了PDE子问题，以实现更高效的计算，每次迭代仅需要PDE求解器和梯度评估。该算法在特定条件下理论上保证收敛，并通过深度展开技术进行了增强以进行参数训练。在光纤通信和图像恢复方面的实验验证了PA-LADMM的有效性。
-
凸优化框架提升口音鲁棒性语言检测
研究人员开发了一种名为凸语言检测（CLD）的新型凸优化框架，以改进语音识别系统中的语言识别，特别是针对低资源口音和方言。该方法在JAX中使用高效的ADMM来实现全局最优和针对方言变体的理论保证。CLD即使在训练数据有限的情况下也能展现出高准确率（97-98%），与传统方法相比，显著降低了跨语言解码失败率和计算成本。
-
研究人员提出用于矩阵和张量补全任务的新算法
研究人员开发了一种新颖的低秩张量补全算法，该算法使用交替方向乘子法（ADMM）优化框架扩展了矩阵补全技术。这种新方法将问题重新表述为通过迭代求解的子问题，并结合了超松弛和自适应惩罚参数以提高收敛性和性能。此外，还提出了一种名为 MAlocate 的新多任务主动学习算法，用于同时解决多个矩阵补全问题，该算法能够适应未知的矩阵秩并展示出 minimax 最优性。
-
研究人员开发了用于ADMM的学习策略以提高优化性能
研究人员开发了一种方法，用于学习交替方向乘子法（ADMM）中松弛参数的在线更新。该方法旨在通过为特定问题类别调整参数来提高ADMM的性能，ADMM是一种用于结构化凸优化的技术。与标准方法相比，学习到的策略在基准二次规划的迭代次数和执行时间方面均显示出改进。
-
新框架改进生态数据稀疏网络推断
研究人员引入了一种新颖的结构化稀疏非负低秩分解框架，以改进二分网络（尤其是在生态学研究中使用的网络）中潜在结构的推断。该方法通过纳入检测概率估计和施加非凸 $\ell_{1/2}$ 正则化来促进稀疏性和更好的相对尺度，从而解决了现有模型的局限性。开发了一种基于ADMM的算法来解决由此产生的非凸和非光滑优化问题，实验表明在合成和真实生态数据集上均能增强潜在因子和网络结构的恢复。