南京理工大学和加拿大维多利亚大学的研究团队提出了一种改进的分布式在线多步迭代Frank-Wolfe算法。该算法在时变网络上通过多步迭代提高收敛性能,解决高维约束优化问题。新算法无需先验知识,动态遗憾上界更紧。实验验证了其在单纯形和范数球约束下的有效性,并探讨了动态遗憾、计算和通信成本的权衡。研究结果在真实数据集上得到了验证。
本文综述连续子模函数最大化的研究进展:随机投影梯度法在凸约束下具有强逼近保证;boosting算法用于离线与在线DR-子模最大化;POBGA将通信复杂度从O(T)降至O(√T);随机条件梯度法在高维场景下更稳定;元Frank-Wolfe及在线Frank-Wolfe变体取得O(√T)遗憾界与(1-1/e)近似;弱DR属性统一刻画子模性并提供高效算法。
完成下面两步后,将自动完成登录并继续当前操作。