論文の概要: CoolMomentum: A Method for Stochastic Optimization by Langevin Dynamics with Simulated Annealing

• arxiv url: http://arxiv.org/abs/2005.14605v2
• Date: Fri, 21 May 2021 15:26:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:03:24.514968
• Title: CoolMomentum: A Method for Stochastic Optimization by Langevin Dynamics with Simulated Annealing
• Title（参考訳）: CoolMomentum:Simulated Annealingを用いたLangevin Dynamicsによる確率最適化手法
• Authors: Oleksandr Borysenko and Maksym Byshkin
• Abstract要約: 深層学習アプリケーションは、複数の局所ミニマを持つ非目的関数を大域的に最適化する必要がある。 物理シミュレーションでも同様の問題を解くために座標学習アルゴリズムが利用できることを示す。
• 参考スコア（独自算出の注目度）: 23.87373187143897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning applications require global optimization of non-convex objective functions, which have multiple local minima. The same problem is often found in physical simulations and may be resolved by the methods of Langevin dynamics with Simulated Annealing, which is a well-established approach for minimization of many-particle potentials. This analogy provides useful insights for non-convex stochastic optimization in machine learning. Here we find that integration of the discretized Langevin equation gives a coordinate updating rule equivalent to the famous Momentum optimization algorithm. As a main result, we show that a gradual decrease of the momentum coefficient from the initial value close to unity until zero is equivalent to application of Simulated Annealing or slow cooling, in physical terms. Making use of this novel approach, we propose CoolMomentum -- a new stochastic optimization method. Applying Coolmomentum to optimization of Resnet-20 on Cifar-10 dataset and Efficientnet-B0 on Imagenet, we demonstrate that it is able to achieve high accuracies.
• Abstract（参考訳）: ディープラーニングアプリケーションは、複数の局所極小を持つ非凸目的関数のグローバル最適化を必要とする。 同じ問題は物理シミュレーションでしばしば見られ、多くの粒子ポテンシャルの最小化のための確立されたアプローチであるシミュレート・アナリングによるランゲヴィン力学の手法によって解決される。 このアナロジーは、機械学習における非凸確率最適化に有用な洞察を提供する。 ここで、離散化ランゲヴィン方程式の統合は、有名なモメンタム最適化アルゴリズムと同等の座標更新規則を与える。 その結果, 運動量係数は初期値から単位値に近い値からゼロまで徐々に減少し, シミュレーションアニーリングやスロー冷却の適用と等価であることがわかった。 この手法を用いて,新しい確率的最適化法であるCoolMomentumを提案する。 cifar-10データセットにおけるresnet-20の最適化にcoolmomentumを応用し,imagenet上のeffernet-b0を高い精度で実現できることを実証した。

関連論文リスト

• Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization [9.364019847856714]
  高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。 本稿では,最適化された部分空間マッピングの探索手法を提案する。 準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-09-05T12:56:03Z)
• Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
  我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。 これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
  論文  参考訳（メタデータ） (2023-02-01T08:50:48Z)
• A Particle-based Sparse Gaussian Process Optimizer [5.672919245950197]
  本稿では,下降の動的過程を利用した新しいスワム・スワムベースのフレームワークを提案する。 このアプローチの最大の利点は、降下を決定する前に現在の状態についてより深い探索を行うことである。
  論文  参考訳（メタデータ） (2022-11-26T09:06:15Z)
• Improved Convergence Rate of Stochastic Gradient Langevin Dynamics with Variance Reduction and its Application to Optimization [50.83356836818667]
  勾配ランゲヴィン・ダイナミクスは非エプス最適化問題を解くための最も基本的なアルゴリズムの1つである。 本稿では、このタイプの2つの変種、すなわち、分散還元ランジュバンダイナミクスと再帰勾配ランジュバンダイナミクスを示す。
  論文  参考訳（メタデータ） (2022-03-30T11:39:00Z)
• An Adaptive Gradient Method with Energy and Momentum [0.0]
  目的関数の勾配に基づく最適化のための新しいアルゴリズムを提案する。 この方法は実装が簡単で、計算効率が良く、大規模機械学習問題に適している。
  論文  参考訳（メタデータ） (2022-03-23T04:48:38Z)
• Optimization on manifolds: A symplectic approach [127.54402681305629]
  本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。 我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
  論文  参考訳（メタデータ） (2021-07-23T13:43:34Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)
• Consensus-Based Optimization on the Sphere: Convergence to Global Minimizers and Machine Learning [7.998311072988401]
  球面上の非函数の大域的最適化のための新しい倉本ビエク型モデルの実装について検討する。 本稿では,本論文で提案したアルゴリズムが寸法によく適合し,極めて多目的であることを示す数値実験を行った。
  論文  参考訳（メタデータ） (2020-01-31T18:23:26Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。