基于活动集组合重条件的图全变分优化
最优化与控制
2020-02-28 v1 计算机视觉与模式识别
摘要
加权图上的结构化凸优化在机器学习和计算机视觉中有众多应用。在本工作中，我们针对该类问题上的邻近算法提出一种新颖的自适应预条件策略。我们的预条件器由对依赖于当前迭代处“活动集”的局部线性收敛速度的精确分析所驱动。我们证明非活动边的嵌套森林分解可给出有保证的局部线性收敛速度。进一步，我们提出一种实用的贪心启发式方法来实现此类嵌套分解，并在若干数值实验中表明，当应用于邻近梯度或原始-对偶混合梯度算法时，我们的重条件策略取得了有竞争力的性能。我们的结果表明局部收敛分析可作为邻近算法中变量度量选择的指导。
引用
@article{arxiv.2002.12236,
title = {Optimization of Graph Total Variation via Active-Set-based Combinatorial Reconditioning},
author = {Zhenzhang Ye and Thomas Möllenhoff and Tao Wu and Daniel Cremers},
journal= {arXiv preprint arXiv:2002.12236},
year = {2020}
}
备注
Presented at the 23 rd International Conference on Artificial Intelligence and Statistics (AISTATS) 2020. Code: https://github.com/zhenzhangye/graph_TV_recond