在线对偶坐标上升学习
最优化与控制
2016-02-25 v1 机器学习
机器学习
摘要
随机对偶坐标上升（S-DCA）技术由于其可扩展至大数据集以及较强的理论保证，是解决大规模优化问题的一个有用的传统随机梯度下降算法的替代方案。然而，现有的 S-DCA 公式局限于有限样本量，并依赖于对同一数据进行多次遍历。该公式不太适合数据不断流入的在线实现。在这项工作中，我们开发了一种在线对偶坐标上升（O-DCA）算法，它能够响应流数据且不需要重新访问过去的数据。这一特性使所得到的构造具备连续自适应、学习和跟踪能力，这对于在线学习场景尤其具有吸引力。
引用
@article{arxiv.1602.07630,
title = {Online Dual Coordinate Ascent Learning},
author = {Bicheng Ying and Kun Yuan and Ali H. Sayed},
journal= {arXiv preprint arXiv:1602.07630},
year = {2016}
}