Riemannian optimization
PulseAugur coverage of Riemannian optimization — every cluster mentioning Riemannian optimization across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新算法解决带约束的拟凸优化问题
研究人员开发了一种新的非精确加速近点算法，用于处理具有一般凸约束的光滑拟凸函数。该算法实现了最优的一阶查询复杂度 $\widetilde{O}(1/(\gamma\sqrt{\varepsilon}))$，解决了该领域的一个开放性问题。该工作还分析了在此约束设置下的投影梯度下降和 Frank-Wolfe 算法，首次对具有一般凸约束的光滑拟凸函数的一阶方法进行了分析。
-
权重归一化加速矩阵感知收敛
一篇新的arXiv论文详细介绍了权重归一化（WN）在过参数化矩阵感知问题中的益处。研究表明，WN与黎曼优化结合使用时，可以实现线性收敛，与不使用WN的方法相比，速度呈指数级提升。分析还表明，增加过参数化的程度可以多项式地提高迭代和样本复杂度。
-
新AI方法增强机器人和手术中的点云配准
两篇新研究论文探讨了点云配准的高级技术。第一篇Generalized-CVO使用黎曼优化，在LiDAR和RGB-D数据的处理速度上比以前的方法快10倍，显著减少了在挑战性环境中的漂移。第二篇GAPR-Net采用基于Transformer的架构进行点云从局部到整体的配准，在涉及胫骨和股骨等骨骼结构的 the surgical applications 中表现出高精度。
-
新的黎曼方法优化低秩矩阵学习
研究人员开发了一种新的黎曼优化方法，用于高效学习低秩矩阵，这对于建模具有乘法结构的数据非常有用。该方法将学习过程构建为黎曼商流形上的优化问题，并引入了一种新颖的、在完全对称群下不变的块对角度量。所提出的算法使用无调优步长，并与观测条目数量成线性比例缩放，在真实和合成数据集的实验中均显示出有效性。
-
新的优化框架利用黎曼几何处理学习到的数据流形
研究人员引入了一个名为“等黎曼优化”的新框架，以应对在学习到的数据流形上执行优化任务所面临的挑战。该方法通过定义适用于学习到的几何形状的新凸性和单调性概念，扩展了经典的黎曼优化。所提出的等黎曼下降算法在 MNIST 等数据集上的聚类和求解逆问题等任务中取得了改进的结果。