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。
🏷️
