本文提出一种针对基于核的最优传输问题的新型半光滑牛顿方法,通过非光滑不动点模型降低每次迭代计算成本,实现全局收敛率O(1/√k)和局部二次收敛。与传统短步内点法相比,该方法在合成和真实数据集上显著提速,为高维样本比较提供更高效的统计估计方案。
在数学教授的指导下,GPT-5首次将第四矩定理扩展为具有显式收敛率的定量形式,明确了收敛速度。研究者通过对话引导GPT-5,整理出可投稿的研究论文,并探讨了该结果的未来拓展方向。
本研究提出了一种新颖性引导样本重用(NSR)方法,旨在解决强化学习中样本利用不均的问题。该方法通过对稀有新颖状态进行额外更新,跳过频繁状态,从而显著提高了算法的收敛率和成功率,同时未显著增加时间消耗。
该文综述随机梯度下降(SGD)的泛化与收敛研究:证明少量迭代即可使泛化误差消失;提出基于梯度方差的稳定性指标并改进泛化误差界;在非凸优化中无需梯度有界假设达到最优收敛率,方差为零时线性收敛;给出依赖梯度方差与局部光滑性的泛化上界;发现全样本梯度下降更易过拟合;证明恒定步长SGD与Nesterov加速同速,并能高效找到一阶稳定点。
该文综述分布式在线随机优化研究,涵盖随机鞍点、近似镜像下降、多步原始-对偶、gossip及加速前后向等算法,应用于传感器网络估计、在线源定位与资源预订;分析对抗环境下合作收益与零阶反馈的线性加速,给出遗憾界与收敛率,并探讨拜占庭攻击下的鲁棒优化。
本文研究了解决两个函数之和的最小值问题的外推梯度方法,证明了该方法在 Kurdyka-Lojasiewicz 假设下得到的序列收敛于问题的临界点并具有有限长度。此外,该方法在两个函数均为凸函数的情况下具有次线性收敛率。
该论文探讨了神经网络中谱偏置的原因,并证明了训练过程可以分解为沿着神经切向核不同方向的收敛率,由特征值确定。
本文介绍了一种新的非均匀光滑条件下的优化方法,通过限制沿轨迹的梯度,获得更强的凸优化和非凸优化问题的结果。证明了(随机)梯度下降和 Nesterov 加速梯度法在这种光滑条件下的收敛率,不需要梯度剪裁,并允许在随机场景中的有界方差的重尾噪声。
完成下面两步后,将自动完成登录并继续当前操作。