Fugu-MT 論文翻訳(概要): One to beat them all: "RYU'' -- a unifying framework for the construction of safe balls

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: 翻訳完了
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

Safe Gradient Flow for Bilevel Optimization [6.3963012138521975]
階層的な意思決定において、バイレベル最適化は重要なフレームワークである。本稿では,二段階最適化問題に対する制御理論的アプローチを提案する。
論文参考訳（メタデータ） (2025-01-27T21:39:25Z)
Two-Timescale Gradient Descent Ascent Algorithms for Nonconvex Minimax Optimization [77.3396841985172]
我々は、構造化された非極小最適化問題の解法として、2時間勾配上昇(TTGDA)を統一的に解析する。我々の貢献はTTGDAアルゴリズムを設計することであり、設定を超えて効果的です。
論文参考訳（メタデータ） (2024-08-21T20:14:54Z)
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)
PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
論文参考訳（メタデータ） (2023-08-03T18:03:44Z)
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)
Submodular + Concave [53.208470310734825]
第一次最適化法が凹関数の最大目的値に収束できることはよく確立されている。本研究では、滑らかな函数凸体(英語版)の行列式を$F(x) = G(x) +C(x)$で始める。このクラスの函数は、保証がないような凹凸函数と連続DR-部分モジュラ函数の両方の拡張である。
論文参考訳（メタデータ） (2021-06-09T01:59:55Z)
Universal Online Convex Optimization Meets Second-order Bounds [74.0120666722487]
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。主要なアイデアは、オリジナルのオンライン機能を処理するための専門家のセットを構築し、線形化された損失に対してメタアルゴリズムをデプロイすることである。このようにして、私たちはブラックボックスの専門家として、既成のオンライン問題解決者をプラグインして、問題依存の後悔の限界を提供することができます。
論文参考訳（メタデータ） (2021-05-08T11:43:49Z)
Complementary Composite Minimization, Small Gradients in General Norms, and Applications to Regression Problems [14.759688428864157]
複合最小化は大規模凸最適化における強力なフレームワークである。補完的複合最小化のための新しいアルゴリズムフレームワークを提案する。我々は,フレームワークから得られるアルゴリズムが,ほとんどの標準最適化設定においてほぼ最適であることを証明した。
論文参考訳（メタデータ） (2021-01-26T19:21:28Z)
Regularization by Denoising via Fixed-Point Projection (RED-PRO) [34.89374374708481]
画像処理では、Denoising (RED) と Plug-and-Play Prior (RED) による正規化が使用される。どちらも様々な回復作業における最先端の結果を示しているが、理論上の正当化は不完全である。
論文参考訳（メタデータ） (2020-08-01T09:35:22Z)
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)
Gradient-Free Methods for Saddle-Point Problem [125.99533416395765]
我々はGasnikov et al., 2017のアプローチを一般化し、不正確な勾配のないオラクルで(確率的な)凸最適化問題を解けるようにした。我々のアプローチは、$fracnlog n$ の要求するオラクル呼び出しの回数を削減します。論文の後半では、そのような仮定ができない場合を分析し、この問題を解決する方法の近代化方法に関する一般的なアプローチを提案する。
論文参考訳（メタデータ） (2020-05-12T16:44:27Z)

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。