通过方差加速随机矩阵分解的统一框架
机器学习
2017-05-23 v2 机器学习
最优化与控制
摘要
我们提出了一个统一框架，通过方差加速现有的随机矩阵分解（SMF）算法。我们的框架具有通用性，涵盖了文献中若干著名的 SMF 公式。我们对框架进行了非渐近收敛性分析，并推导了算法期望收敛至 -平稳点所需的计算复杂度与样本复杂度。此外，针对一大类 SMF 公式开展的广泛实验表明，与现有最先进的框架相比，我们的框架始终能实现更快的收敛并输出更精确的字典。
引用
@article{arxiv.1705.06884,
title = {A Unified Framework for Stochastic Matrix Factorization via Variance Reduction},
author = {Renbo Zhao and William B. Haskell and Jiashi Feng},
journal= {arXiv preprint arXiv:1705.06884},
year = {2017}
}