2024年8月23日
星期五
|
欢迎来到维普•公共文化服务平台
登录
|
进入后台
[
APP下载]
[
APP下载]
扫一扫,既下载
全民阅读
职业技能
专家智库
参考咨询
您的位置:
专家智库
>
>
夏良
作品数:
1
被引量:3
H指数:1
供职机构:
中国人民解放军陆军军官学院
更多>>
发文基金:
国家自然科学基金
安徽省自然科学基金
更多>>
相关领域:
自动化与计算机技术
更多>>
合作作者
章显
中国人民解放军陆军军官学院
姜纪远
中国人民解放军陆军军官学院
陶卿
中国人民解放军陆军军官学院
作品列表
供职机构
相关作者
所获基金
研究领域
题名
作者
机构
关键词
文摘
任意字段
作者
题名
机构
关键词
文摘
任意字段
在结果中检索
文献类型
1篇
中文期刊文章
领域
1篇
自动化与计算...
主题
1篇
正则
1篇
正则化
1篇
收敛速率
1篇
稀疏性
1篇
L1正则化
1篇
O
机构
1篇
中国人民解放...
作者
1篇
陶卿
1篇
姜纪远
1篇
章显
1篇
夏良
传媒
1篇
计算机研究与...
年份
1篇
2014
共
1
条 记 录,以下是 1-1
全选
清除
导出
排序方式:
相关度排序
被引量排序
时效排序
一种具有O(1/T)收敛速率的稀疏随机算法
被引量:3
2014年
随机梯度下降(stochastic gradient descent,SGD)是一种求解大规模优化问题的简单高效方法,近期的研究表明,在求解强凸优化问题时其收敛速率可通过α-suffix平均技巧得到有效的提升.但SGD属于黑箱方法,难以得到正则化优化问题所期望的实际结构效果.另一方面,COMID(composite objective mirror descent)是一种能保证L1正则化结构的稀疏随机算法,但对于强凸优化问题其收敛速率仅为O(logT?T).主要考虑"L1+Hinge"优化问题,首先引入L2强凸项将其转化为强凸优化问题,进而将COMID算法和α-suffix平均技巧结合得到L1MD-α算法.证明了L1MD-α具有O(1?T)的收敛速率,并且获得了比COMID更好的稀疏性.大规模数据库上的实验验证了理论分析的正确性和所提算法的有效性.
姜纪远
夏良
章显
陶卿
关键词:
稀疏性
L1正则化
全选
清除
导出
共1页
<
1
>
聚类工具
0
执行
隐藏
清空
用户登录
用户反馈
标题:
*标题长度不超过50
邮箱:
*
反馈意见:
反馈意见字数长度不超过255
验证码:
看不清楚?点击换一张