Fugu-MT 論文翻訳(概要): Screening Rules and its Complexity for Active Set Identification

論文の概要: Screening Rules and its Complexity for Active Set Identification

arxiv url: http://arxiv.org/abs/2009.02709v1
Date: Sun, 6 Sep 2020 11:10:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 08:11:59.891570
Title: Screening Rules and its Complexity for Active Set Identification
Title（参考訳）: アクティブ集合同定のためのスクリーニング規則とその複雑さ
Authors: Eugene Ndiaye and Olivier Fercoq and Joseph Salmon
Abstract要約: スクリーニングルールは、部分微分集合の自然特性と最適条件の組み合わせに由来することを示す。軽微な仮定の下で、収束アルゴリズムの最適能動集合を特定するのに必要な反復数を分析する。
参考スコア（独自算出の注目度）: 16.762870396299334
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Screening rules were recently introduced as a technique for explicitly identifying active structures such as sparsity, in optimization problem arising in machine learning. This has led to new methods of acceleration based on a substantial dimension reduction. We show that screening rules stem from a combination of natural properties of subdifferential sets and optimality conditions, and can hence be understood in a unified way. Under mild assumptions, we analyze the number of iterations needed to identify the optimal active set for any converging algorithm. We show that it only depends on its convergence rate.
Abstract（参考訳）: 近年,機械学習による最適化問題において,空間性などのアクティブな構造を明確に識別する手法として,スクリーニングルールが導入されている。これにより、実質的な次元縮小に基づく新しい加速方法が導かれる。スクリーニング規則は,部分微分集合の自然性質と最適性条件の組み合わせに起因し,それゆえ統一的に理解できることを示す。軽度の仮定の下で、収束アルゴリズムの最適能動集合を特定するのに必要な反復数を分析する。収束率にのみ依存することを示す。

関連論文リスト

An Accelerated Block Proximal Framework with Adaptive Momentum for Nonconvex and Nonsmooth Optimization [2.323238724742687]
非平滑および非平滑最適化のための適応モーメント(ABPL$+$)を有する加速ブロック近位線形フレームワークを提案する。いくつかのアルゴリズムでは外挿ステップの潜在的な原因を解析し、比較プロセスの強化によってこの問題を解消する。我々はアルゴリズムを勾配ステップと線形補間ステップの更新を含む任意のシナリオに拡張する。
論文参考訳（メタデータ） (2023-08-23T13:32:31Z)
The Impact of the Geometric Properties of the Constraint Set in Safe Optimization with Bandit Feedback [5.758073912084366]
我々は,エージェントが逐次行動を選択し,環境からの反応を観察する,帯域幅フィードバックによる安全な最適化問題を考える。この問題に対するアルゴリズムを提案し,制約セットの幾何学的性質がアルゴリズムの後悔にどのように影響するかを検討する。
論文参考訳（メタデータ） (2023-05-01T15:48:34Z)
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)
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)
Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
反復的洗練は表現学習に有用なパラダイムである。トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
論文参考訳（メタデータ） (2022-07-02T10:00:35Z)
Exclusive Group Lasso for Structured Variable Selection [10.86544864007391]
構造化変数選択問題を考える。合成ノルムは、そのような排他的グループ空間パターンを促進するために適切に設計することができる。構造原子を推定された支持体に含めて解を構築する能動集合アルゴリズムが提案されている。
論文参考訳（メタデータ） (2021-08-23T16:55:13Z)
On Constraints in First-Order Optimization: A View from Non-Smooth Dynamical Systems [99.59934203759754]
本稿では,スムーズな制約付き最適化のための一階法について紹介する。提案手法の2つの特徴は、実現可能な集合全体の投影や最適化が避けられることである。結果として得られるアルゴリズムの手順は、制約が非線形であっても簡単に実装できる。
論文参考訳（メタデータ） (2021-07-17T11:45:13Z)
Screening for Sparse Online Learning [11.523471275501855]
スパーシティ促進レギュラライザーは、低複素構造(例えば)を課すために広く使用されている。 l1-norm for sparsity) 教師付き学習の回帰係数に対する。ほとんどのオンラインアルゴリズムは、ステップサイズと非消去の分散のためにプロパティを持っていません。本稿では,オンラインアルゴリズムが生成するイテレートの不要な特徴を解消する方法を示し,有限なアクティビティ同定を強制する。
論文参考訳（メタデータ） (2021-01-18T10:40:47Z)
Optimization with Momentum: Dynamical, Control-Theoretic, and Symplectic Perspectives [97.16266088683061]
この論文は、運動量に基づく最適化アルゴリズムにおいてシンプレクティックな離散化スキームが重要であることを厳格に証明している。これは加速収束を示すアルゴリズムの特性を提供する。
論文参考訳（メタデータ） (2020-02-28T00:32:47Z)
Optimization of Graph Total Variation via Active-Set-based Combinatorial Reconditioning [48.42916680063503]
本稿では,この問題クラスにおける近位アルゴリズムの適応型事前条件付け手法を提案する。不活性エッジのネスト・フォレスト分解により局所収束速度が保証されることを示す。この結果から,局所収束解析は近似アルゴリズムにおける可変指標選択の指針となることが示唆された。
論文参考訳（メタデータ） (2020-02-27T16:33:09Z)

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。