沙利夫·施瓦茨;张彤 正则化损失最小化的随机对偶坐标上升方法。 （英语） Zbl 1307.68073号 J.马赫。学习。物件。 14, 567-599 (2013). 摘要：随机梯度下降（SGD）由于其强大的理论保证，在解决大规模有监督机器学习优化问题（如SVM）方面已成为一种流行的方法。虽然密切相关的双坐标上升法（DCA）已在各种软件包中实现，但迄今为止，它缺乏良好的收敛性分析。本文对随机双坐标上升（SDCA）进行了新的分析，表明这类方法具有很强的理论保证，可以与SGD媲美或优于SGD。该分析证明了SDCA在实际应用中的有效性。 引用于127文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 65年第68季度 算法和问题复杂性分析 关键词：随机双坐标上升;优化;计算复杂性;正则化损失最小化;支持向量机;岭回归;逻辑回归 PDF格式BibTeX公司 XML格式引用 \textit{S.Shalev-Shwartz}和\textit{T.Zhang}，J.Mach。学习。第14、567--599号决议（2013年；Zbl 1307.68073） 全文： arXiv公司 链接