Feb, 2019

ProxSARAH：随机复合非凸优化的高效算法框架

PDF
TL;DR提出了一种新的随机一阶算法框架来解决随机复合非凸优化问题，该算法覆盖了有限和期望设置，其中算法仅需要非凸目标项的平均光滑性假设和附加的有界方差假设，并证明了算法可以实现最佳复杂度界限。
stochastic first-order algorithmnonconvex optimizationproximal gradientvariance assumptioncomplexity bound
发现论文，激发创造
  • 一种最优混合方差减小算法用于随机复合非凸优化

    提出了一种新的混合方差缩减近端梯度法，它使用随机梯度评估来代替早期方法中的 $SARAH$，从而实现每次迭代少使用一个随机梯度，在达到了随机梯度评估的最优随机预测复杂度界限的同时很简单。

    Aug, 2020

  • 用于非凸优化的随机递归梯度算法

    本文研究分析了随机递归梯度算法 (StochAstic Recursive grAdient algoritHm, SARAH) 的 mini-batch 版本，用于解决非凸损失函数的经验损失最小化问题。我们提出了一种子线性收敛率 (对于一般非凸函数) 和一种线性收敛率 (对于梯度主导函数)，这两种方法相比其他现代非凸损失随机梯度算法具有一些优势。

    May, 2017

  • 随机非凸优化的混合随机梯度下降算法

    本文提出了使用混合随机估算器设计的混合随机梯度算法来解决非凸期望问题，该算法可以获得更好的复杂度，同时考虑不同的扩展，如使用自适应步长和不同的迭代方式。在使用两个非凸模型进行了多个数据集上的比较。

    May, 2019

  • 使用 SARAH 算法进行有限和平滑优化

    该论文提出了改进的 SARAH 算法并证明其最劣情况复杂性与通常常数因子内与阈值相关，用于求解随机一阶优化算法的无限和光滑非凸目标函数，同时提出 SARAH++ 算法，并在各种数据集上进行数值实验以验证其实用性。

    Jan, 2019

  • 一种随机复合非凸优化的混合随机优化框架

    提出一种新方法解决一类复合随机非凸优化问题，通过组合两种随机估计量形成混合估计量，将之应用于多种变体的随机梯度法中以达到最优的复杂度界限。

    Jul, 2019

  • 非凸有限和问题中随机递归梯度的概率性保证

    本研究开发了一种基于 Azuma-Hoeffding 类型边界的新的无维度维数的 martingale 差异序列的累加范数，利用这一结果，我们为所提出的 Prob-SARAH 算法中的梯度范数估计器提供了高概率边界，该算法是 StochAstic Recursive grAdient algoritHm（SARAH）的改进版本，它是一种具有最优计算复杂性的方差减小算法，用于有限和问题的期望。Prob-SARAH 的概率复杂性与最佳期望结果相匹配，并且经验实验表明 Prob-SARAH 在真实数据集上相对于其他流行算法具有更优异的概率性能。

    Jan, 2024

  • SARAH：一种使用随机递归梯度的机器学习问题新方法

    本文提出了一种名为 SARAH 的随机递归梯度算法及其改进版 SARAH +，以优化有限累加和问题，并证明了该算法在强凸情况下具有线性收敛速率。

    Mar, 2017

  • ZeroSARAH: 高效的非凸有限和优化算法，使用零全梯度计算

    ZeroSARAH 是一种新的方差减少方法，用于分布式学习中处理大量非凸函数的平均值，可以在不需要计算全梯度的情况下实现，并在标准和分布式设置下取得新的最优结果。

    Mar, 2021

  • 一种混合随机策略梯度算法用于强化学习

    提出了一种新的混合随机策略梯度估计器，并使用此估计器开发了一种新的混合随机策略梯度算法（ProxHSPGA）来解决复合策略优化问题，该算法可以处理策略参数上的约束或规则化，已经在强化学习中的一些示例上进行了评估和验证。

    Mar, 2020

  • 一种简单的近端随机梯度下降法用于非光滑非凸优化

    本文提出一种基于变量规约的 Proximal 随机梯度下降算法 (ProxSVRG+), 该算法在非凸性和非光滑性优化问题上具有更好的性能，并在收敛性分析方面比之前的算法更加全面和普适性更强。

    Feb, 2018