Scifaro

中文

加速近端随机对偶坐标上升法用于正则化损失最小化

机器学习 2013-10-09 v2 机器学习数值分析统计计算

作者: Shai Shalev-Shwartz , Tong Zhang

在 arXiv 上查看 ↗ PDF ↗

摘要

我们引入了随机对偶坐标上升法的近端版本，并展示了如何通过内外迭代过程加速该方法。我们分析了该框架的运行时间，并获得了改进多种关键机器学习优化问题（包括SVM、逻辑回归、岭回归、Lasso和多类SVM）最新结果的速率。实验验证了我们的理论发现。

关键词

随机对偶坐标上升近端方法加速正则化损失最小化支持向量机逻辑回归岭回归 Lasso

引用

@article{arxiv.1309.2375,
  title  = {Accelerated Proximal Stochastic Dual Coordinate Ascent for Regularized Loss Minimization},
  author = {Shai Shalev-Shwartz and Tong Zhang},
  journal= {arXiv preprint arXiv:1309.2375},
  year   = {2013}
}