BriefGPT - AI 论文速递
·
分布时变在线随机优化在条件风险价值统计学习中的应用
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文研究了随时间变化的分布的随机优化问题序列，应用在线随机梯度下降并建立了其动态遗憾界，采用Wasserstein距离。同时，建立了在线随机近端梯度下降的遗憾界，并将其应用于CVaR学习问题。通过改进现有证明，得到了在线随机梯度下降的遗憾界。
🎯
关键要点
- 本文研究随时间变化的分布的随机优化问题序列。
- 假设损失函数满足Polyak-Lojasiewicz条件。
- 应用在线随机梯度下降并建立动态遗憾界。
- 动态遗憾界考虑随机性引起的累积分布漂移和累积梯度偏差。
- 采用Wasserstein距离作为分布测度，适用于无绝对连续性假设或时变支持集的情况。
- 建立在线随机近端梯度下降的遗憾界，适用于正则化目标函数。
- 展示框架如何应用于条件风险价值（CVaR）学习问题。
- 改进了对CVaR问题PL条件的现有证明，得到了在线随机梯度下降的遗憾界。
➡️
