关键词optimization formulation
搜索结果 - 5
- ICML多个局部线性核机器
提出了一种基于局部线性分类器组合的新非线性分类器,通过使用许多局部线性核将问题转化为 l1 多核学习问题,并提供了一种可扩展的用于处理流核的通用 MKL 训练算法,从而得到了适应高准确性但较慢的非线性分类器和快速但较低准确性的线性分类器之间 - ICCV基于物理的视频人体运动估计和合成
通过单眼 RGB 视频直接训练具有物理可行性的人体运动的生成模型,该方法通过可微分的方式实现了物理约束和接触关系优化,并实现了与之前基于姿态识别的方法相比更高质量、更真实、更多样化的运动合成与估计。
- ICML跨越多任务学习和元学习:迈向高效训练和有效适应
本论文研究了多任务学习(MTL)与基于梯度的元学习(GBML)之间的关系,通过理论和实证研究证明了它们在优化公式和学习到的预测函数上的相似性,并通过样例展示了 MTL 作为一阶方法可以代替计算代价高的二阶方法 ——GBML,在大规模数据集上 - 个性化联邦学习的下界和最优算法
本研究考虑了最近由 Hanzely 和 Richtarik (2020) 提出的个性化联邦学习的优化问题,并为该模型的通讯复杂度和本地预测通用复杂度建立了第一个下界。我们设计了几种最优方法来匹配这些下界,并通过大量的数字实验展示了我们的方法 - 混合全局和局部模型的联邦学习
提出针对联邦学习模型的新型优化公式,通过寻求全局模型与本地模型之间的平衡,使各参与设备能够从其私有数据中学习,而不需要通信。此方法类似于联邦平均 /local SGD,但能够改善具有异构数据的问题的通信,同时发现个性化能够降低通信复杂度。