文献

J-GLOBAL ID：201702249791239286   整理番号：17A1034850

二重確率連続凸近似による大規模非凸確率最適化【Powered by NICT】

Large-scale nonconvex stochastic optimization by Doubly Stochastic Successive Convex approximation

著者 (4件)： Mokhtari Aryan (Department of Electrical and Systems Engineering, University of Pennsylvania, United States of America) ,  Koppel Alec (Department of Electrical and Systems Engineering, University of Pennsylvania, United States of America) ,  Scutari Gesualdo (School of Industrial Engineering, Purdue University, United States of America) ,  Ribeiro Alejandro (Department of Electrical and Systems Engineering, University of Pennsylvania, United States of America)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICASSP  ページ： 4701-4705  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 訓練例の数と特徴ベクトルの次元の両方が大きい訓練集合上の教師つき学習問題を考察した。推定したいパラメータの品質を定義する損失関数は非凸である場合に集中しているが,凸正則化を持っている。非凸正則化された期待リスク最小化を取り扱うことができる二重確率的逐次凸近似法(DSSC)提案した。法はブロックに決定変数を分解と各段階でブロックのランダムサブセットに操作することにより動作する。強凸試料代理機能により元の非凸確率的目的を置換し,得られた凸プログラムを解く,並行して各無作為に選択されたブロックのためアルゴリズムを,逐次の凸近似法のファミリーに属する。法は各段階で特徴(ブロック座標法)と訓練例(確率近似)のサブセット上で動作する。ほぼ確実な挙動を非凸環境における保証されていない多くの確率的凸法とは対照的に,DSSCは,問題の定常解とほぼ確かな収束を達成した。ラッソ回帰問題の非凸変異体に関する数値実験は,DSSCは,この環境における性能が高いことを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 確率近似 ,  正則化 ,  *凸形 ,  部分集合 ,  教師つき学習 ,  近似法 ,  品質 ,  アルゴリズム ,  *最適化 ,  損失関数
準シソーラス用語： 数値実験 ,  決定変数 ,  特徴ベクトル , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 確率 ,  凸 ,  近似 ,  大規模 ,  最適化