机器之心 ·

AAAI 2025 | 用于韦伯区位问题的去奇异性次梯度方法

💡 原文中文，约5100字，阅读约需12分钟。

📝

内容提要

机器之心AIxiv专栏促进了学术交流，报道了2000多篇内容。暨南大学课题组在机器学习领域发表了5篇顶级会议论文，研究韦伯区位问题，提出了去奇异性次梯度法，成功解决了奇异性问题，确保了算法的收敛性。实验结果表明，该算法在多种情况下表现优异，具有重要的现实意义。

🎯

🔎

韦伯区位问题不仅在运筹优化领域具有重要地位，还广泛应用于机器学习、人工智能、金融工程等多个领域。理解这一问题的背景和应用场景，有助于研究者在相关领域中更好地利用去奇异性次梯度法，提升算法的实用性和效率。

去奇异性次梯度法在解决奇异性问题时，能够在不增加计算复杂度的情况下，确保算法的收敛性。这一特性使得该方法在实际应用中更具吸引力，尤其是在处理高维数据时，能够有效避免因奇异性导致的梯度消失问题。

实验结果显示，qPpNWAWS算法在大多数情况下仅需少量迭代和线性搜索即可实现收敛。这表明该算法在实际应用中具有较高的效率，尤其适合需要快速响应的在线资产配置等场景，具有重要的现实意义。

❓

韦伯区位问题的目标是找到一个中心点，使其到给定数据点的加权距离之和最小。

去奇异性次梯度法通过识别引发奇异性的数据点及维度，并去除相应的分量，从而解决奇异性问题。

该算法在奇异性情形下使用线性搜索法，保证损失函数下降并最终收敛，同时在非奇异性情形下使用常规Weiszfeld更新迭代。

实验结果表明，qPpNWAWS算法在绝大多数情况下只需不超过15次迭代，并且收敛率远小于1，达到线性收敛速度。

奇异性问题会导致梯度不存在，从而影响算法的收敛性，可能导致算法无法有效找到最优解。

去奇异性次梯度法在不增加计算复杂度的情况下解决了奇异性问题，与一般梯度法相比保持相似的计算效率。

🏷️