Fugu-MT 論文翻訳(概要): Efficient Optimization of Dominant Set Clustering with Frank-Wolfe Algorithms

論文の概要: Efficient Optimization of Dominant Set Clustering with Frank-Wolfe Algorithms

arxiv url: http://arxiv.org/abs/2007.11652v2
Date: Wed, 5 Aug 2020 10:55:21 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 22:19:08.163994
Title: Efficient Optimization of Dominant Set Clustering with Frank-Wolfe Algorithms
Title（参考訳）: Frank-Wolfe アルゴリズムによる支配的集合クラスタリングの効率的な最適化
Authors: Carl Johnell, Morteza Haghir Chehreghani
Abstract要約: ドミナント・セット・クラスタリングの効率的な最適化のために,Frank-Wolfeアルゴリズム(標準,ペアワイズ,アウトステップ)について検討する。フランク=ウルフ法の異なる変種を利用するための統一的で計算効率の良いフレームワークを提案する。
参考スコア（独自算出の注目度）: 4.873362301533825
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study Frank-Wolfe algorithms -- standard, pairwise, and away-steps -- for efficient optimization of Dominant Set Clustering. We present a unified and computationally efficient framework to employ the different variants of Frank-Wolfe methods, and we investigate its effectiveness via several experimental studies. In addition, we provide explicit convergence rates for the algorithms in terms of the so-called Frank-Wolfe gap. The theoretical analysis has been specialized to the problem of Dominant Set Clustering and is thus more easily accessible compared to prior work.
Abstract（参考訳）: 支配的集合クラスタリングの効率的な最適化のために、frank-wolfeアルゴリズム -- 標準、ペアワイズ、オフステップ -- を研究した。フランク=ウルフ法の異なる変種を用いる統一的で効率的なフレームワークを提案し,その有効性について実験的に検討する。さらに、いわゆるフランク=ウルフギャップの観点からアルゴリズムに対して明確な収束率を提供する。この理論解析は、支配的集合クラスタリングの問題に特化しており、従来よりも容易にアクセス可能である。

関連論文リスト

Approximate Frank-Wolfe Algorithm over Graph-structured Support Set [0.27195102129094995]
我々は、元のアルゴリズムを分析し、実装し、それに基づいていくつかの拡張を導入した。新しいDMO法では十分な改善が得られなかったが,バックトラックライン探索法は効率よくイテレーション数を削減した。
論文参考訳（メタデータ） (2024-11-07T03:04:58Z)
DFWLayer: Differentiable Frank-Wolfe Optimization Layer [33.20550212188619]
ニューラルネットワークに基づく機械学習の分野において、差別化可能な最適化は基礎的な役割を担っているため、かなりの注目を集めている。本稿では,Frank-Wolfe法をロールアウトした微分可能なFrank-Wolfe Layer (DFWLayer)を提案する。実験の結果、DFWLayerは解と勾配の競争精度を得るだけでなく、制約に一貫して従うことを示した。
論文参考訳（メタデータ） (2023-08-21T15:53:38Z)
Decentralized Multi-Level Compositional Optimization Algorithms with Level-Independent Convergence Rate [26.676582181833584]
分散化されたマルチレベル最適化は、マルチレベル構造と分散通信のために困難である。マルチレベル構成問題を最適化する2つの新しい分散最適化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-06-06T00:23:28Z)
Sarah Frank-Wolfe: Methods for Constrained Optimization with Best Rates and Practical Features [65.64276393443346]
Frank-Wolfe (FW) 法は、構造化制約による最適化問題の解法として一般的な手法である。有限サム勾配の最小化のためのアルゴリズムの2つの新しい変種を示す。
論文参考訳（メタデータ） (2023-04-23T20:05:09Z)
Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文参考訳（メタデータ） (2023-02-24T18:41:48Z)
On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-06-30T05:29:52Z)
Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文参考訳（メタデータ） (2021-11-29T15:10:09Z)
Regularized Frank-Wolfe for Dense CRFs: Generalizing Mean Field and Beyond [19.544213396776268]
我々は,高次条件場に対する汎用的で効果的なCNNベースライン推論である正規化Frank-Wolfeを導入する。新しいアルゴリズム、新しいアルゴリズム、新しいデータセット、強力なニューラルネットワークの大幅な改善が示されています。
論文参考訳（メタデータ） (2021-10-27T20:44:47Z)
Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文参考訳（メタデータ） (2021-06-08T15:54:44Z)
Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文参考訳（メタデータ） (2020-10-15T18:09:48Z)
Projection-Free Adaptive Gradients for Large-Scale Optimization [22.0439695290991]
フランク=ウルフアルゴリズムは、目的から近似した一階情報のみをクエリすることで、両方の計算負担を軽減するため、ユニークな位置を占める。本手法は,制約付き最適化のための適応アルゴリズムの性能を向上させることができることを示す。
論文参考訳（メタデータ） (2020-09-29T15:56:12Z)

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。