Fugu-MT 論文翻訳(概要): Scalable DC Optimization via Adaptive Frank-Wolfe Algorithms

論文の概要: Scalable DC Optimization via Adaptive Frank-Wolfe Algorithms

arxiv url: http://arxiv.org/abs/2507.17545v1
Date: Wed, 23 Jul 2025 14:22:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-24 22:33:15.04303
Title: Scalable DC Optimization via Adaptive Frank-Wolfe Algorithms
Title（参考訳）: 適応フランクウルフアルゴリズムによるスケーラブルDC最適化
Authors: Sebastian Pokutta,
Abstract要約: コンパクト凸可能領域$P$ 上の(滑らかな)凸関数の差を最小化する問題を考える。 Blended Pairwise Gradients (BPCG) アルゴリズムを用いて, 拘束された直流問題を効率的に解けることを示す。
参考スコア（独自算出の注目度）: 26.645423762494985
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of minimizing a difference of (smooth) convex functions over a compact convex feasible region $P$, i.e., $\min_{x \in P} f(x) - g(x)$, with smooth $f$ and Lipschitz continuous $g$. This computational study builds upon and complements the framework of Maskan et al. [2025] by integrating advanced Frank-Wolfe variants to reduce computational overhead. We empirically show that constrained DC problems can be efficiently solved using a combination of the Blended Pairwise Conditional Gradients (BPCG) algorithm [Tsuji et al., 2022] with warm-starting and the adaptive error bound from Maskan et al. [2025]. The result is a highly efficient and scalable projection-free algorithm for constrained DC optimization.
Abstract（参考訳）: コンパクト凸実現可能領域$P$、すなわち$\min_{x \in P} f(x) - g(x)$、滑らかな$f$とLipschitz連続$g$との差を最小化する問題を考える。この計算研究は、高度なフランク=ウルフ変種を統合して計算オーバーヘッドを減らすことで、Maskan et al[2025]のフレームワークを構築し、補完する。我々は,Blended Pairwise Conditional Gradients (BPCG) アルゴリズム [Tsuji et al , 2022] と温暖化と,Maskan et al [2025] から有界な適応誤差を組み合わせることで,制約付き直流問題を効率的に解けることを示す。その結果、制約のあるDC最適化のための高効率かつスケーラブルなプロジェクションフリーアルゴリズムが得られた。

関連論文リスト

Nesterov Finds GRAAL: Optimal and Adaptive Gradient Method for Convex Optimization [17.227158587717934]
GRAAL(Malitsky, 2020)を含む適応勾配法が開発されている。我々は,このアルゴリズムがリプシッツ滑らかな関数に対する最適収束率を達成することを証明した。既存の方法とは対照的に、複雑性において対数加法項のコストを犠牲にして、任意の、さらに極端に小さな初期段階化を行う。
論文参考訳（メタデータ） (2025-07-13T23:07:45Z)
Revisiting Frank-Wolfe for Structured Nonconvex Optimization [33.44652927142219]
2つの凸関数の差分として表される構造的非函数を最適化する新しい射影法(フランク・ウルフ法)を導入する。提案手法は$O-(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O -)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O-)$(O -)$(O-)$(O-)$(O-)$
論文参考訳（メタデータ） (2025-03-11T22:09:44Z)
Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
論文参考訳（メタデータ） (2025-02-07T15:57:56Z)
Distributed Difference of Convex Optimization [1.2661010067882734]
$-f_i$ と $-f_i$ の $-差分の違いによる各エージェントにおけるn$ エージェントの局所目的関数を含む分散問題のクラスを示す。 DDC-Consensusアルゴリズムは、正規化されていない分散二乗問題を解くために開発された。
論文参考訳（メタデータ） (2024-07-23T14:41:32Z)
An Oblivious Stochastic Composite Optimization Algorithm for Eigenvalue Optimization Problems [76.2042837251496]
相補的な合成条件に基づく2つの難解なミラー降下アルゴリズムを導入する。注目すべきは、どちらのアルゴリズムも、目的関数のリプシッツ定数や滑らかさに関する事前の知識なしで機能する。本稿では,大規模半確定プログラム上での手法の効率性とロバスト性を示す。
論文参考訳（メタデータ） (2023-06-30T08:34:29Z)
Projection-free Adaptive Regret with Membership Oracles [31.422532403048738]
ほとんどの反復アルゴリズムは凸集合への射影の計算を必要とし、計算コストがかかる。 GK22による最近の研究は、フランク・ウルフのアプローチに基づく射影自由アルゴリズムによる準線形適応的後悔の保証を与えた。我々はMhammedi22にインスパイアされた異なる手法に基づくプロジェクションフリーなアルゴリズムを提案し、プロジェクションをセットメンバーシップ計算で置き換える。
論文参考訳（メタデータ） (2022-11-22T23:53:06Z)
Optimal Gradient Sliding and its Application to Distributed Optimization Under Similarity [121.83085611327654]
積 $r:=p + q$, ここで$r$は$mu$-strong convex類似性である。エージェントの通信やローカルコールにマスターされた問題を解決する方法を提案する。提案手法は$mathcalO(sqrtL_q/mu)$法よりもはるかにシャープである。
論文参考訳（メタデータ） (2022-05-30T14:28:02Z)
Minimax Optimization with Smooth Algorithmic Adversaries [59.47122537182611]
対戦相手が展開するスムーズなアルゴリズムに対して,Min-playerの新しいアルゴリズムを提案する。本アルゴリズムは,制限周期のない単調進行を保証し,適切な勾配上昇数を求める。
論文参考訳（メタデータ） (2021-06-02T22:03:36Z)
A Two-Timescale Framework for Bilevel Optimization: Complexity Analysis and Application to Actor-Critic [142.1492359556374]
双レベル最適化は、2レベル構造を示す問題のクラスである。このような二段階問題に対処するための2段階近似(TTSA)アルゴリズムを提案する。本稿では,TTSAフレームワークの特殊な事例として,2段階の自然なアクター・クリティカルポリシー最適化アルゴリズムが有用であることを示す。
論文参考訳（メタデータ） (2020-07-10T05:20:02Z)
Private Stochastic Convex Optimization: Optimal Rates in Linear Time [74.47681868973598]
本研究では,凸損失関数の分布から得られた個体群損失を最小化する問題について検討する。 Bassilyらによる最近の研究は、$n$のサンプルを与えられた過剰な人口損失の最適境界を確立している。本稿では,余剰損失に対する最適境界を達成するとともに,$O(minn, n2/d)$グラデーション計算を用いて凸最適化アルゴリズムを導出する2つの新しい手法について述べる。
論文参考訳（メタデータ） (2020-05-10T19:52:03Z)

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。