无对偶、正则化与个体凸性的SDCA
机器学习
2016-05-24 v2
摘要
随机对偶坐标上升（Stochastic Dual Coordinate Ascent, SDCA）是一种用于求解凸损失情况下正则化损失最小化的流行方法。我们描述了不需要显式正则化且不依赖对偶的SDCA变体。我们证明了即使个体损失函数非凸，只要期望损失是强凸的，也能得到线性收敛速率。
引用
@article{arxiv.1602.01582,
title = {SDCA without Duality, Regularization, and Individual Convexity},
author = {Shai Shalev-Shwartz},
journal= {arXiv preprint arXiv:1602.01582},
year = {2016}
}
备注
ICML 2016