Sign In
insight - Nicht-konvexe Optimierung
Ein randomisierter Algorithmus für nicht-konvexe Minimierung mit ungenauen Auswertungen und Komplexitätsgarantien
Ein randomisierter Algorithmus, der Schritte in Richtung des negativen Krümmungsvektors zufällig wählt, kann unter Berücksichtigung von Ungenauigkeiten in Gradient und Hessian-Matrix effizient Punkte finden, die die Bedingungen für eine Approximation zweiter Ordnung erfüllen.
Eine stochastische Quasi-Newton-Methode für nicht-konvexe Optimierung mit nicht-uniformer Glattheit
Eine stochastische Quasi-Newton-Methode wird vorgestellt, die eine optimale Stichprobenkomplexität von O(ǫ-3) erreicht, um eine ǫ-approximative Lösung für nicht-konvexe Optimierungsprobleme mit nicht-uniformer Glattheit zu finden.
Products | Resources
© 2024 by Linnk AI