针对 Adaboost 问题的并行坐标下降法

Olivier Fercoq

doi:10.1109/ICMLA.2013.72

针对 Adaboost 问题的并行坐标下降法

机器学习 2017-04-14 v1 最优化与控制机器学习

作者: Olivier Fercoq

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

基于先前关于并行坐标下降的研究，我们设计了一种 Adaboost 的随机并行版本。该算法利用指数损失的对数是具有坐标方向 Lipschitz 连续梯度的函数这一事实来定义步长。我们提供了该随机 Adaboost 算法的收敛性证明以及理论上的并行加速因子。最后，我们提供了针对不同规模学习问题的数值示例，表明该算法与现有方法具有竞争力，特别是在大规模问题上。

关键词

Adaboost 并行坐标下降随机算法指数损失 Lipschitz 连续梯度收敛性证明大规模问题

引用

@article{arxiv.1310.1840,
  title  = {Parallel coordinate descent for the Adaboost problem},
  author = {Olivier Fercoq},
  journal= {arXiv preprint arXiv:1310.1840},
  year   = {2017}
}

备注

7 pages, 3 figures, extended version of the paper presented to ICMLA'13

针对 Adaboost 问题的并行坐标下降法

摘要

关键词

引用

备注

相关论文