文献

J-GLOBAL ID：202002263717780021   整理番号：20A0385090

確率勾配降下最適化アルゴリズムのための低誤差限界:低速および高速減衰学習速度に対する鋭い収束率【JST・京大機械翻訳】

Lower error bounds for the stochastic gradient descent optimization algorithm: Sharp convergence rates for slowly and fast decaying learning rates

著者 (2件)： Jentzen Arnulf (Department of Mathematics, ETH Zurich, Switzerland) ,  von Wurstemberger Philippe (Department of Mathematics, ETH Zurich, Switzerland)
資料名： Journal of Complexity  (Journal of Complexity)
巻： 57  ページ： Null  発行年： 2020年 
JST資料番号： T0513A  ISSN： 0885-064X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 確率的勾配降下(SGD)最適化アルゴリズムは,機械学習において生じる確率的最適化問題の解,特に深い学習応用に用いられる中心的ツールの一つである。従って,SGDの収束挙動を解析することは重要である。本論文では,単純な二次確率最適化問題を考察し,学習速度(γnν)n∈Nによる関連SGDプロセスの平均二乗誤差に対して,基本的により低い上限と上限をマッチングする,すべてのγ,ν∈(0,∞)に対して確立した。これにより,学習速度の選択に依存してSGD法の平均二乗収束速度を正確に定量化できる。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 低速度 ,  機械学習 ,  誤差解析 ,  *学習 ,  最適化問題
準シソーラス用語： 下界 ,  収束速度 ,  平均二乗誤差 ,  確率的最適化 ,  学習速度 ,  誤差限界 ,  *最適アルゴリズム ,  *確率勾配 , 【Automatic Indexing@JST】

著者キーワード (4件)： SGD ,  下界 ,  機械学習 ,  誤差解析

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (8件)： 確率勾配 ,  降下 ,  最適化アルゴリズム ,  誤差限界 ,  低速 ,  減衰 ,  学習速度 ,  収束