任务嵌入坐标更新：面向多变量非凸优化的可实现框架
机器学习
2018-11-13 v2 机器学习
摘要
本文提出一个可实现框架 TECU，将特定任务策略嵌入坐标下降的更新方案中，用于优化具有耦合目标函数的多变量非凸问题。一方面，TECU 能够通过嵌入高效的数值算法来提升算法效率，以优化具有良好性质的单变量子问题。另一方面，通过在实际任务的优化中嵌入先进技术，它也增加了获得期望结果的概率。TECU 将数值算法与先进技术整合于一个统一框架中，用于求解一类非凸问题。尽管任务嵌入策略在子问题优化中带来了不精确性，我们提供了一个可实现准则来控制误差，同时通过严格的理论分析确保稳健的性能。通过在我们的算法框架中分别嵌入 ADMM 和残差型 CNN，实验结果验证了在坐标下降中嵌入面向任务的策略以解决实际问题的有效性与高效性。
引用
@article{arxiv.1811.01587,
title = {Task Embedded Coordinate Update: A Realizable Framework for Multivariate Non-convex Optimization},
author = {Yiyang Wang and Risheng Liu and Long Ma and Xiaoliang Song},
journal= {arXiv preprint arXiv:1811.01587},
year = {2018}
}