論文の概要: One to beat them all: "RYU'' -- a unifying framework for the
construction of safe balls
- arxiv url: http://arxiv.org/abs/2312.00640v1
- Date: Fri, 1 Dec 2023 15:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 14:07:56.515658
- Title: One to beat them all: "RYU'' -- a unifying framework for the
construction of safe balls
- Title(参考訳): 1つは全員を打ち負かす:「龍」-セーフボール構築のための統一的枠組み
- Authors: Thu-Le Tran, Cl\'ement Elvira, Hong-Phuong Dang, C\'edric Herzet
- Abstract要約: 我々は,対象最適化問題の双対解を確実に含む領域として,セーフボール構築のための新しい枠組みを考案した。
コスト関数が閉、正則、凸リプシッツ-滑らか関数と閉、正則、凸関数の2項の和であるような標準設定に集中する。
RYUフレームワークは,過去10年間に提案されてきた最適化問題の全結果の一般化や改善を図っている。
- 参考スコア(独自算出の注目度): 1.0486921990935787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we put forth a novel framework (named ``RYU'') for the
construction of ``safe'' balls, i.e. regions that provably contain the dual
solution of a target optimization problem. We concentrate on the standard setup
where the cost function is the sum of two terms: a closed, proper, convex
Lipschitz-smooth function and a closed, proper, convex function. The RYU
framework is shown to generalize or improve upon all the results proposed in
the last decade for the considered family of optimization problems.
- Abstract(参考訳): 本稿では,対象最適化問題の双対解を証明可能な領域である `safe'' 球構築のための新しいフレームワーク ( `RYU''' ) を作成した。
コスト関数が閉、正則、凸リプシッツ-滑らか関数と閉、正則、凸関数の2項の和であるような標準設定に集中する。
RYUフレームワークは,過去10年間に提案されてきた最適化問題の全結果の一般化や改善を図っている。
関連論文リスト
- Bridging the Gap Between General and Down-Closed Convex Sets in
Submodular Maximization [8.225819874406238]
Mualem citemualem23re は、この手法がダウンクローズド制約と非ダウンクローズド制約の間を滑らかにできないことを示す。
本研究では,物体を2つの異なる凸体に自然分解した新しいオフラインおよびオンラインアルゴリズムを提案する。
また、3つのオフラインおよび2つのオンラインアプリケーションにまたがる提案アルゴリズムの優位性を実証的に示す。
論文 参考訳(メタデータ) (2024-01-17T14:56:42Z) - Universal Online Learning with Gradient Variations: A Multi-layer Online Ensemble Approach [57.92727189589498]
本稿では,2段階の適応性を持つオンライン凸最適化手法を提案する。
我々は$mathcalO(log V_T)$, $mathcalO(d log V_T)$, $hatmathcalO(sqrtV_T)$ regret bounds for strong convex, exp-concave and convex loss function。
論文 参考訳(メタデータ) (2023-07-17T09:55:35Z) - Optimal Sets and Solution Paths of ReLU Networks [56.40911684005949]
最適なReLUネットワークの集合を特徴付ける分析フレームワークを開発した。
我々は、ReLUネットワークのニューラル化を継続する条件を確立し、ReLUネットワークに対する感度結果を開発する。
論文 参考訳(メタデータ) (2023-05-31T18:48:16Z) - Fast Algorithm for Constrained Linear Inverse Problems [5.0490573482829335]
我々は、ある原子ノルムが2次制約の下で最小化される制約付き線形逆問題(LIP)を考える。
凸正則性を改善した制約付きLIPの2つの等価な再構成を提案する。
FLIPSの2成分選択,圧縮センシング,画像デノーミングの古典的問題に対する性能を実証する。
論文 参考訳(メタデータ) (2022-12-02T10:12:14Z) - Dueling Convex Optimization with General Preferences [85.14061196945599]
本研究の目的は, エンフィロンリングフィードバックの弱い形を条件として, 凸関数を最小化することである。
我々の主な貢献は、滑らかな凸対象関数に対する収束$smashwidetilde O(epsilon-4p)$と、その目的が滑らかで凸であるときに効率$smashwidetilde O(epsilon-2p)を持つ効率的なアルゴリズムである。
論文 参考訳(メタデータ) (2022-09-27T11:10:41Z) - Black-Box Min--Max Continuous Optimization Using CMA-ES with Worst-case
Ranking Approximation [22.576922942465142]
一般的なアプローチでは、$x$と$y$を同時に、あるいは交互に更新する。
既存のアプローチは、$f$がリプシッツの滑らかで、最適解を囲む凸凸が強い場合失敗する。
本稿では、共分散行列適応進化戦略を用いて、最悪の対象関数 $F(x)=max_yf(x,y)$ を最小化することを提案する。
論文 参考訳(メタデータ) (2022-04-06T08:03:39Z) - Bayesian Optimization for Min Max Optimization [77.60508571062958]
そこで我々は,最適化すべき関数が事前に分かっていないような設定でMin Max Optimizationを実行するアルゴリズムを提案する。
我々は,改善を期待する2つの獲得機能とガウス過程の上部信頼境界を拡張した。
これらの取得機能は、ベンチマーク設定よりも高速に収束する、より良いソリューションを可能にすることを示す。
論文 参考訳(メタデータ) (2021-07-29T06:49:34Z) - A Simple yet Universal Strategy for Online Convex Optimization [97.64589722655612]
ユニバーサルオンライン凸最適化のための簡単な戦略を提案する。
鍵となるアイデアは、元のオンライン機能を処理する専門家のセットを構築し、emphlinearized lossの上にメタアゴリタムを配置することだ。
我々の戦略は、強い凸関数と指数関数のために設計された専門家の理論的保証を継承する。
論文 参考訳(メタデータ) (2021-05-08T11:43:49Z) - Safe Learning under Uncertain Objectives and Constraints [66.05180398174286]
我々は、テキスト不明で安全クリティカルな制約の下で、非テクスト無知かつ安全クリティカルな最適化問題を考察する。
このような問題は、ロボティクス、製造、医療などの様々な領域で自然に発生する。
我々の分析の重要な要素は、安全な最適化の文脈で収縮と呼ばれる手法を導入し、適用することである。
論文 参考訳(メタデータ) (2020-06-23T20:51:00Z) - Kernel Distributionally Robust Optimization [17.909696462645023]
本稿では、ロバスト最適化理論と関数解析の知見を用いたカーネル分散ロバスト最適化(カーネルDRO)を提案する。
提案手法では,カーネルカーネル(RKHS)を用いて幅広い凸曖昧性を構築し,確率測定値と有限次モーメント集合に基づく集合に一般化することができる。
普遍的な RKHS を用いることで、この定理は損失関数の幅広いクラスに適用され、損失やリプシッツ定数の知識のような共通の制限が解かれる。
論文 参考訳(メタデータ) (2020-06-12T07:46:59Z)
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。