无对偶的SDCA
机器学习
2015-02-24 v1
摘要
随机对偶坐标上升(Stochastic Dual Coordinate Ascent, SDCA) 是求解凸损失下正则化损失最小化问题的流行方法。在本文中，我们展示了 SDCA 的一个变体如何应用于非凸损失。我们证明了即使单个损失函数非凸，只要期望损失是凸的，就具有线性收敛速率。
引用
@article{arxiv.1502.06177,
title = {SDCA without Duality},
author = {Shai Shalev-Shwartz},
journal= {arXiv preprint arXiv:1502.06177},
year = {2015}
}