We present a novel approach for black-box vi that bypasses the difficulties
of stochastic gradient ascent, including the task of selecting step-sizes. Our
approach involves using a sequence of sample average approximati
本文研究了在重尾性、非 Lipschitz 性和 / 或高维度下解决凸随机规划问题中样本平均逼近(SAA)及其简单变形,即正则化 SAA(RSAA)的样本复杂度。通过三组结果,论文表明 (R) SAA 在目标函数不一定是 Lipschitz 的情况下,且底层分布仅在(近)最优解处具有一些有界的中心矩时仍然有效。当 SP 的目标函数是平滑项和 Lipschitz 项的和时,(R) SAA 的样本复杂度与可行域的任何复杂性度量(如覆盖数)完全独立。此外,本文阐明了 (R) SAA 在与维度 d 相关时的样本复杂度,当底层分布的第 p (p≥2) 个中心矩有界时,在三个结构性假设中,所需样本量的增长速率不会超过 O (p d^(2/p)),即使 p≤q/(q-1) 也成立。这些新结果与 SAA 典型的随维度 d 多项式增长的样本复杂度相异。