Geom-SPIDER-EM：用于非凸有限和优化的更快方差缩减随机期望最大化
机器学习
2020-11-26 v1 机器学习
统计方法学
摘要
期望最大化(EM)算法是潜变量模型推断的关键参考；遗憾的是，其计算成本在大规模学习场景下令人望而却步。本文中，我们提出随机路径积分微分估计器EM (SPIDER-EM)的扩展，并推导这一新算法的复杂度界，该算法旨在解决光滑非凸有限和Optimization问题。我们证明其达到与SPIDER-EM同等的最先进复杂度界；并给出线性收敛速率的条件。数值结果支持了我们的发现。
引用
@article{arxiv.2011.12392,
title = {Geom-SPIDER-EM: Faster Variance Reduced Stochastic Expectation Maximization for Nonconvex Finite-Sum Optimization},
author = {Gersende Fort and Eric Moulines and Hoi-To Wai},
journal= {arXiv preprint arXiv:2011.12392},
year = {2020}
}
备注
Submitted to an International conference, with reviewing process