論文の概要: Convergence of ADAM with Constant Step Size in Non-Convex Settings: A
Simple Proof
- arxiv url: http://arxiv.org/abs/2309.08339v1
- Date: Fri, 15 Sep 2023 11:47:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 14:51:58.112545
- Title: Convergence of ADAM with Constant Step Size in Non-Convex Settings: A
Simple Proof
- Title（参考訳）: 非凸設定におけるadamの定数ステップサイズ収束:簡単な証明
- Authors: Alokendu Mazumder, Bhartendu Kumar, Manan Tayal, Punit Rathore
- Abstract要約: ニューラルネットワークトレーニングにおいて、RMSPropとADAMは依然として広く好まれる最適化アルゴリズムである。
パフォーマンスの鍵は、正しいステップサイズが、その効果に大きく影響する可能性があることです。
- 参考スコア（独自算出の注目度）: 1.460678420166056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In neural network training, RMSProp and ADAM remain widely favoured
optimization algorithms. One of the keys to their performance lies in selecting
the correct step size, which can significantly influence their effectiveness.
It is worth noting that these algorithms performance can vary considerably,
depending on the chosen step sizes. Additionally, questions about their
theoretical convergence properties continue to be a subject of interest. In
this paper, we theoretically analyze a constant stepsize version of ADAM in the
non-convex setting. We show sufficient conditions for the stepsize to achieve
almost sure asymptotic convergence of the gradients to zero with minimal
assumptions. We also provide runtime bounds for deterministic ADAM to reach
approximate criticality when working with smooth, non-convex functions.
- Abstract（参考訳）: ニューラルネットワークトレーニングにおいて、RMSPropとADAMは依然として広く好まれる最適化アルゴリズムである。
彼らのパフォーマンスの鍵の1つは、正しいステップサイズを選択することである。
これらのアルゴリズムのパフォーマンスは、選択したステップサイズによって大きく異なる可能性があることに注意が必要だ。
さらに、それらの理論収束性に関する疑問は、引き続き関心の対象である。
本稿では,非凸状態におけるADAMの定常段差バージョンを理論的に解析する。
最小の仮定で、勾配の漸近収束を 0 にほぼ確実に達成するための段階的条件を示す。
また、スムーズな非凸関数を扱う場合、決定論的ADAMがほぼ臨界に達するための実行時境界も提供する。
関連論文リスト
- A Comprehensive Framework for Analyzing the Convergence of Adam: Bridging the Gap with SGD [28.905886549938305]
本稿では,Adamの収束特性を解析するための,新しい包括的枠組みを提案する。
我々は、アダムが漸近的でない複雑性サンプルを勾配降下の値と類似して得ることを示す。
論文 参考訳（メタデータ） (2024-10-06T12:15:00Z) - Predicting Emergent Abilities with Infinite Resolution Evaluation [85.89911520190711]
本稿では,デコードフェーズにおける大規模なサンプリングを通じて,理論的に無限の分解能を持つ評価戦略であるPassUntilを紹介する。
トレーニング開始前に0.05%の偏差でコード生成における2.4Bモデルの性能を予測する。
スケーリング曲線が標準スケーリング法則関数に適合できないような,高速化された出現の種を同定する。
論文 参考訳（メタデータ） (2023-10-05T02:35:00Z) - Convergence of Adam Under Relaxed Assumptions [72.24779199744954]
我々は、アダムがより現実的な条件下で、$O(epsilon-4)$勾配複雑性で$epsilon$-定常点に収束することを示している。
また、Adamの分散還元版を$O(epsilon-3)$の加速勾配複雑性で提案する。
論文 参考訳（メタデータ） (2023-04-27T06:27:37Z) - Formal guarantees for heuristic optimization algorithms used in machine
learning [6.978625807687497]
グラディエント・Descent(SGD)とその変種は、大規模最適化機械学習(ML)問題において支配的な手法となっている。
本稿では,いくつかの凸最適化手法の形式的保証と改良アルゴリズムの提案を行う。
論文 参考訳（メタデータ） (2022-07-31T19:41:22Z) - A Novel Convergence Analysis for Algorithms of the Adam Family [105.22760323075008]
本稿ではAdam, AMSGrad, AdaboundなどのAdamスタイルの手法群に対する収束の一般的な証明を示す。
我々の分析は非常に単純で汎用的なので、より広範な非構成最適化問題の族を解くための収束を確立するために利用することができる。
論文 参考訳（メタデータ） (2021-12-07T02:47:58Z) - Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。
また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文 参考訳（メタデータ） (2021-04-30T08:50:24Z) - Balancing Rates and Variance via Adaptive Batch-Size for Stochastic
Optimization Problems [120.21685755278509]
本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。
ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
論文 参考訳（メタデータ） (2020-07-02T16:02:02Z) - MaxVA: Fast Adaptation of Step Sizes by Maximizing Observed Variance of
Gradients [112.00379151834242]
本稿では,Adamにおける2乗勾配のランニング平均を重み付き平均に置き換える適応学習率の原理を提案する。
これにより、より高速な適応が可能となり、より望ましい経験的収束挙動がもたらされる。
論文 参考訳（メタデータ） (2020-06-21T21:47:43Z)
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。