奈松

NESUN-Nesterov的通用梯度法:求解凸优化问题的通用梯度法。本文提出了一种新的黑盒凸极小化方法。他们不需要预先知道目标函数的实际平滑程度。它们唯一重要的输入参数是所需的解的精度。同时,对于每一个特定的问题类别,它们会自动确保最佳的收敛速度。我们通过鼓励数值实验来证实我们的理论结果,这些实验表明,即使在非光滑问题的情况下,有时也能达到平滑优化问题的快速收敛速度。


zbMATH参考文献(参考 30篇文章

显示第1到第20个结果,共30个。
按年份排序(引用)
  1. Berger,Guillaume O.;Absil,P.-A.;Jungers,Raphaël M.;Nesterov,Yurii:关于具有Hölder连续梯度函数的一阶逼近的质量(2020)
  2. 雷丽华;乔丹,迈克尔I.:基于随机梯度优化的自适应性(2020)
  3. Rodomanov,Anton;Nesterov,Yurii:欧氏范数幂的光滑参数(2020)
  4. 文森特·鲁莱特;亚历山大德·阿斯普雷蒙特:锐利、重启和加速(2020)
  5. Scieur,Damien;D'Aspremont,Alexandre;Bach,Francis:正则化非线性加速度(2020)
  6. 阿霍霍霍什,马苏德:大规模凸优化的加速一阶方法:强凸性下的近似最优复杂性(2019)
  7. Ahookhosh,Masoud;Neumaier,Arnold:求解高成本凸优化问题的子空间搜索最优次梯度算法(2019)
  8. Baimurzina,D.R.;Gasnikov,A.V.;Gasnikova,E.V.;Dvurechensky,P.E.;Ershov,E.I.;Kubentaeva,M.B.;Lagunovskaya,A.A.:寻找运输网络中平衡点和随机均衡点的通用方法(2019年)
  9. Cartis,Coralia;Gould,Nick I.;Toint,Philippe L.:通用正则化方法:改变幂、平滑度和精确度(2019)
  10. Damek,Damek;Drusvyatskiy,Dmitriy:基于随机模型的弱凸函数最小化(2019)
  11. Diakonikolas,Jelena;Orecchia,Lorenzo:近似对偶间隙技术:一阶方法的统一理论(2019)
  12. Drusvyatskiy,D.;Paquette,C.:最小化凸函数和光滑映射组合的效率(2019)
  13. Gasnikov,A.V.;Dvurechensky,P.E.;Stonyakin,F.S.;Titov,A.A.:变分不等式的自适应近端方法(2019)
  14. Gasnikov,A.V.;Tyurin,A.I.:凸极小化问题的快速梯度下降法,在请求点生成((\delta,L))-函数模型(2019)
  15. Guminov,Sergey;Gasnikov,Alexander;Anikin,Anton;Gornov,Alexander:线性耦合方法的通用修正(2019)
  16. Ho,Chin Pang;Parpas,Panos:经验风险最小化:概率复杂性和步长策略(2019)
  17. Krutikov,V.N.;Samoilenko,N.S.;Meshechkin,V.V.:关于极值距离松弛凸函数极小化方法的性质(2019)
  18. Renegar,James:双曲规划的加速一阶方法(2019)
  19. 阿霍霍霍什,马苏德:最优次梯度方法:大规模线性反问题的计算特性(2018)
  20. Ahookhosh,Masoud;Neumaier,Arnold:求解具有复杂性的结构化非光滑凸优化问题(\mathcalO(\varepsilon^-1/2))(2018)