Abstract
この論文は、無限次元ヒルベルト空間における非線形不適切問題の効率的な数値解法であるデータ駆動正則化確率的勾配降下法の収束に焦点を当てています。アルゴリズムや条件付き演算子方程式などが詳細に説明されています。主要な結果として、アルゴリズムの安定性や収束速度が示されています。
Introduction
SGDは大規模逆問題の解決に有望。
非線形不適切問題への新しいデータ駆動正則化SGDを分析。
Main Results and Discussions
データ駆動SGDアルゴリズムの安定性と収束速度が証明された。
反復ごとに等式をランダム選択する手法が提案された。
Convergence for Noisy Data
ノイズデータに対するアルゴリズムの安定性が示された。
パラメータスケジュールや条件付き因子が考慮された。
Stats
SGDは大規模逆問題で有望。
SGDはランダム版Landweber法。
SGDは非線形不適切問題で人気。
Quotes
"Stochastic Gradient Descent (SGD) is a very popular stochastic iterative method for solving nonlinear ill-posed inverse problems."
"Analyzing SGD from the perspective of regularization theory to solve ill-posed inverse problems remains largely under-explored."
"Theoretical analysis of SGD-type algorithms for ill-posed inverse problems has started only recently."