Jul, 2016

一种基于 Majorization Minimization 的统一交替方向乘子法

PDF
TL;DR提出了 Gauss-Seidel ADMMs 和 Jacobian ADMMs 框架及其收敛分析。我们展示了这些框架可以通过最小化可分离 majorant 替代加强本来只可以解决可分离问题的 ADMMs。我们还介绍了几种提高 ADMM 效率的技术，特别地，我们提出了 M-ADMM，它通过吸收 Gauss-Seidel ADMMs 的特点来缓解 Jacobian ADMMs 的缓慢收敛问题。在理论保证和数值实验方面，我们的新 ADMMs 表现优越。此外，我们还发布了一个工具箱，其中包含了很多压缩感知问题的高效 ADMMs 的实现。
compressed sensingalternating direction method of multipliersconvergence analysisnon-separable objectivesm-admm
发现论文，激发创造
  • 一类非凸问题交替方向乘子法的收敛分析

    该研究分析了 ADMM 算法在解决一些非凸共识和共享问题时的收敛性，发现当增广拉格朗日乘数的惩罚参数足够大时，经典 ADMM 算法会收敛到静止解的集合。对于共享问题，我们发现 ADMM 无论变量块的数量如何，都是收敛的。该分析不对算法生成的迭代强加任何假设，并且广泛适用于涉及近端更新规则和各种灵活的块选择规则的 ADMM 变体。

    Oct, 2014

  • 关于交替方向乘子法线性收敛的研究

    本文研究交替方向乘子法 (ADMM) 用于多个非光滑凸可分函数的线性约束约束下极小化问题的收敛速率，通过引入一种新的与其它满足该问题的近似算法有所不同的证明手段，我们在不限制强凸性的情况下，建立了全局线性收敛性的证明方案，表明 ADMM 的线性收敛性可以在三个以上的可分函数的情况下适用，包括 LASSO，Group LASSO 和 Sparse Group LASSO 等当代应用。

    Aug, 2012

  • 一类非凸、非光滑问题的交替方向乘子法及其在背景 / 前景提取中的应用

    本文针对图像科学中广泛使用的一类优化问题，基于 ADMM 算法，通过使用通用的双重步长方法、构建特殊的潜函数以及采用简单的初始化策略实现了非凸优化问题全局收敛和解决，并在实际应用中进行了比较实验，表明最优化效果良好。

    Jun, 2015

  • 使用双块交替方向乘子法解决多块可分凸最小化问题

    本文探讨使用交替方向乘子法（ADMM）来解决多块可分凸优化问题。提出了一种将多块问题转化为等价的二块问题来解决的策略，并分别从理论和实验结果两方面证明了其收敛性和数值效率优势。

    Aug, 2013

  • 一种加速线性化交替方向乘子法

    提出一种新颖的框架 AADMM，用于加速线性化交替方向乘子法 (ADMM)，对于一类具有线性约束的凸复合优化问题，AADMM 的收敛速度比线性化 ADMM 更快，而且当相应的鞍点问题有解时，AADMM 能够处理无边界的可行域，并提出了一种回溯算法来提高实际性能。

    Jan, 2014

  • 非凸非光滑优化中的 ADMM 全局收敛性

    本文分析了交替方向乘子法（ADMM）在非凸优化中的收敛性，并提供了针对特定情形的收敛保证。同时，通过例子和分析，本文表明 ADMM 有望比增广拉格朗日方法（ALM）更适用于某些非凸非光滑问题。

    Nov, 2015

  • 非凸组合问题的 Bregman 交替方向乘数法收敛性研究

    本文研究了一种名为 Bregman modification 的 ADMM 算法，在某些限定条件下证明了 BADMM 迭代序列能够收敛到相关增广拉格朗日函数的静止点，这为 ADMM 在非凸设置中的应用提供了可行性。

    Oct, 2014

  • 具有生成先验学习的快速可证明 ADMM

    本文提出了一种线性化的 ADMM 算法，用于最小化一个凸函数在非凸约束下的解，旨在解决变量处于神经网络范围内的约束问题，并给出了这种算法在 feedforward 架构下的性能特征，相比于梯度下降法更加高效。

    Jul, 2019

  • 非凸约束的非线性等式问题交替方向乘子法的一般化

    本文提出了一种扩展了 Alternating Direction Method of Multipliers 框架的方法 neADMM，可以用来解决非线性等式约束问题，并针对其中难点之一的非凸子问题提出了全局最优解决方案，实验结果表明这种方法在合成数据和现实世界数据上具有极高的性能和可扩展性。

    May, 2017

  • ADMM 收敛性的一般分析

    本论文提出了一种新的证明交替方向乘子方法（ADMM）在一个目标项强凸时线性收敛的方法，并在一个数值示例上演示了通过选择算法参数来最小化收敛速率的做法，同时构造了一个接近匹配的收敛率下界。

    Feb, 2015