变分不等式中的随机置换启发式：建立新的收敛性保证

变分不等式在机器学习和优化研究中受到了广泛关注。虽然求解这些问题的随机方法通常假设独立数据采样，但我们研究了一种替代方法——随机置换启发式。该策略在顺序处理之前对数据集进行置换，确保对所有数据点的同等考虑。尽管随机置换在实践中具有实用性，但其在变分不等式中的理论保证仍未被探索。我们通过在此背景下为随机置换方法提供首个理论收敛估计来填补这一空白。我们的分析建立了严格的界限和收敛速率，扩展了这一重要算法类的理论框架。我们通过对多种基准变分不等式问题的广泛实验验证了我们的发现，证明了随机置换方法相比独立采样方法具有更快的收敛速度。