Bu yazıda, kısıtlı dışbükey sonlu toplamlı optimizasyon problemlerinin bir sınıfını inceliyoruz. Pek çok pratik uygulamada, kısıtlamaların tümü veya bir kısmı zorunlu gereksinimleri temsil eden katı kısıtlamalardır. Sonuç olarak, arzu edilen herhangi bir yaklaşık çözüm bu kısıtlamaları (neredeyse) karşılamalıdır.
- Bu yazıda, kısıtlı dışbükey sonlu toplamlı optimizasyon problemlerinin bir sınıfını inceliyoruz.
- Pek çok pratik uygulamada, kısıtlamaların tümü veya bir kısmı zorunlu gereksinimleri temsil eden katı kısıtlamalardır.
- Sonuç olarak, arzu edilen herhangi bir yaklaşık çözüm bu kısıtlamaları (neredeyse) karşılamalıdır.
Bu yazıda, kısıtlı dışbükey sonlu toplamlı optimizasyon problemlerinin bir sınıfını inceliyoruz.
02 Özet
Bu yazıda, kısıtlı dışbükey sonlu toplamlı optimizasyon problemlerinin bir sınıfını inceliyoruz. Pek çok pratik uygulamada, kısıtlamaların tümü veya bir kısmı zorunlu gereksinimleri temsil eden katı kısıtlamalardır. Sonuç olarak, arzu edilen herhangi bir yaklaşık çözüm bu kısıtlamaları (neredeyse) karşılamalıdır. Bundan motive olarak, kısıtlama ihlalinin deterministik olarak $ε$ ile sınırlandığı ve beklenen optimallik açığının en fazla $ε$ olduğu bir $ε$-$kesinlikle uygulanabilir stokastik optimal$ ($ε$-SFSO) çözümünü hesaplamaya odaklanıyoruz. Yakın zamanda önerilen stokastik varyansı azaltılmış birinci dereceden ceza yöntemi, $ε$-SFSO çözümünü hesaplayabilirken, $ε$-SFSO çözümünü hesaplamak için birinci dereceden oracle karmaşıklığı ile hem beklenen kısıtlama ihlalinin hem de beklenen optimallik açığının $ε$ ile sınırlandığı $ε$-$beklenen uygun stokastik optimal$ çözümünü hesaplamak için kullanılan karmaşıklık arasında önemli bir boşluk kalır. Bu boşluğu daraltmak için, $ε$-SFSO çözümünü hesaplamak için önceden en iyi bilinen birinci dereceden oracle karmaşıklığını önemli ölçüde geliştiren, kesin olmayan stokastik varyansı azaltılmış gradyan (SVRG) yöntemini öneriyoruz. Ayrıca amaç tek bir fonksiyondan oluştuğunda önerilen yöntem, standart dışbükey konik optimizasyonun çözümü için yeni bir deterministik birinci dereceden yönteme indirgenir. Mevcut yöntemlere kıyasla amaç fonksiyonuna göre önemli ölçüde daha düşük bir gradyan değerlendirme karmaşıklığı elde eder ve ilgili koni üzerindeki kısıtlama gradyanlarını ve projeksiyonlarını hesaplamak, objektif gradyanı değerlendirmekten daha ucuz olduğunda bunlardan daha iyi performans gösterebilir. Önerilen yöntemin performansını göstermek için ön sayısal sonuçlar sunulmuştur.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
In this paper, we study a class of constrained convex finite-sum optimization problems. In many practical applications, all or some of the constraints are hard constraints that represent imperative requirements. Consequently, any desirable approximate solution must (nearly) satisfy these constraints. Motivated by this, we focus on computing an $ε$-$surely feasible stochastic optimal$ ($ε$-SFSO) solution, in which the constraint violation is deterministically bounded by $ε$, and the expected optimality gap is at most $ε$. While a recently proposed stochastic variance-reduced first-order penalty method can compute an $ε$-SFSO solution, there remains a significant gap between its first-order oracle complexity for computing an $ε$-SFSO solution and that for computing an $ε$-$expected feasible stochastic optimal$ solution, where both the expected constraint violation and the expected optimality gap are bounded by $ε$. To narrow this gap, we propose an inexact stochastic variance-reduced gradient (SVRG) method that significantly improves the previously best-known first-order oracle complexity for computing an $ε$-SFSO solution. Furthermore, when the objective consists of a single function, the proposed method reduces to a novel deterministic first-order method for solving standard convex conic optimization. It achieves a significantly lower gradient evaluation complexity with respect to the objective function compared to existing methods, and can outperform them when computing constraint gradients and projections onto the associated cone is cheaper than evaluating the objective gradient. Preliminary numerical results are presented to illustrate the performance of the proposed method.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{lu2026an,
title = {An inexact stochastic variance-reduced gradient method for constrained convex finite-sum optimization},
author = {Zhaosong Lu and Yifeng Xiao},
journal = {arXiv preprint arXiv:2611.23221},
year = {2026},
url = {https://arxiv.org/abs/2611.23221}
}
Lu, Z., & Xiao, Y. (2026). Kısıtlı dışbükey sonlu toplam optimizasyonu için kesin olmayan stokastik varyansı azaltılmış gradyan yöntemi. arXiv. https://arxiv.org/abs/2611.23221
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın