(แก้ไขหมายเหตุ: ฉันจัดระเบียบใหม่นี้หลังจากที่ปล่อยออกมาตามความยาว)
วรรณกรรมเกี่ยวกับการประสานงานอาจเป็นเรื่องยากที่จะติดตาม นี่คือเหตุผลบางอย่างสำหรับเรื่องนี้
คุณสมบัติที่รู้จักกันดีของวิธีการประสานงานจำนวนมากถูกจับในทฤษฎีบทร่มสำหรับวิธีการสืบเชื้อสายทั่วไป ตัวอย่างที่สองนี้ได้รับด้านล่างเป็นลู่อย่างรวดเร็วภายใต้นูนที่แข็งแกร่ง (ค้างสำหรับการใด ๆโคตรลาดชัน) และการบรรจบกันทั่วไปของวิธีการเหล่านี้ (มักจะนำมาประกอบกับ Zoutendijk)lp
การตั้งชื่อไม่ได้มาตรฐาน แม้แต่คำว่า "เชื้อสายที่ลาดชัน" นั้นไม่ได้เป็นมาตรฐาน คุณอาจประสบความสำเร็จในการค้นหาคำว่า "การประสานงานแบบวนรอบ", "พิกัดโคตร", "Gauss-Seidel", "Gauss-Southwell" การใช้งานไม่สอดคล้องกัน
ตัวแปรวงจรได้รับการกล่าวถึงเป็นพิเศษ โดยปกติแล้วจะกล่าวถึงเพียงตัวเลือกเดียวที่ดีที่สุดของการประสานงาน แต่สิ่งนี้เกือบจะให้การรับประกันแบบวนซ้ำเสมอไปแม้ว่าจะมีปัจจัยพิเศษ (จำนวนตัวแปร): นี่เป็นเพราะการวิเคราะห์คอนเวอร์เจนซ์ส่วนใหญ่ดำเนินการโดยการ จำกัด ขอบเขตการปรับปรุงขั้นตอนเดียวให้ต่ำลงและคุณสามารถละเว้นพิกัดพิเศษได้ นอกจากนี้ยังดูเหมือนยากที่จะพูดอะไรทั่วไปเกี่ยวกับสิ่งที่คุณซื้อวงจรดังนั้นคนเพียงแค่ทำหน้าที่ประสานงานที่ดีที่สุดและมักจะตรวจสอบปัจจัยnnn
O(ln(1/ϵ))lp
ข้อ จำกัด หากไม่มีความนูนสูงคุณต้องเริ่มระวังตัวเล็กน้อย คุณไม่ได้พูดอะไรเกี่ยวกับข้อ จำกัด ดังนั้นโดยทั่วไปแล้วคนจำนวนเล็กน้อยอาจไม่สามารถเข้าถึงได้ ฉันจะพูดสั้น ๆ ในหัวข้อของข้อ จำกัด ที่วิธีมาตรฐาน (ด้วยวิธีการสืบเชื้อสาย) คือการฉายลงบนข้อ จำกัด ของคุณตั้งค่าการวนซ้ำแต่ละครั้งเพื่อรักษาความเป็นไปได้หรือใช้อุปสรรคในการม้วนข้อ จำกัด ลงในหน้าที่วัตถุประสงค์ของคุณ ในกรณีของอดีตฉันไม่รู้ว่ามันเล่นอย่างไรกับโคตรประสานงาน ในกรณีหลังมันใช้ได้ดีกับพิกัดโคตรและอุปสรรคเหล่านี้สามารถนูนอย่างมาก
โดยเฉพาะอย่างยิ่งกับวิธีการพิกัดแทนที่จะฉายให้หลายคนเพียงแค่ทำการอัพเดทพิกัดรักษาความเป็นไปได้: ตัวอย่างนี้เป็นกรณีที่เกิดขึ้นกับอัลกอริทึมของ Frank-Wolfe และตัวแปรต่างๆ (เช่นใช้เพื่อแก้ไข SDP)
ฉันจะทราบสั้น ๆ ว่าอัลกอริทึม SMO สำหรับ SVM สามารถดูได้เป็นวิธีการประสานงานแบบโคตรซึ่งคุณกำลังปรับปรุงตัวแปรสองตัวพร้อมกันและรักษาข้อ จำกัด สิทธิ์ในขณะที่คุณทำเช่นนั้น ตัวเลือกของตัวแปรคือฮิวริสติกในวิธีนี้และดังนั้นการรับประกันจึงเป็นเพียงการรับประกันแบบวนรอบ ฉันไม่แน่ใจว่าการเชื่อมต่อนี้ปรากฏในวรรณกรรมมาตรฐานหรือไม่ ฉันเรียนรู้เกี่ยวกับวิธีการ SMO จากบันทึกหลักสูตรของ Andrew Ng และพบว่าพวกเขาสะอาดดี
n
O(ln(1/ϵ))
มีผลลัพธ์ล่าสุดบางอย่างเกี่ยวกับการตกลงมาฉันได้เห็นเนื้อหาใน arXiv นอกจากนี้ luo & tseng ยังมีเอกสารใหม่ ๆ แต่นี่คือสิ่งที่สำคัญ
∑mi=1g(⟨ai,λ⟩)ก.( กผม)ม.1λประสบการณ์( 1 / ϵ2)O (1 / ϵ)
ปัญหาเกี่ยวกับการอัพเดทที่แน่นอน นอกจากนี้มักเป็นกรณีที่คุณไม่มีการปรับปรุงพิกัดเดียวแบบปิด หรือวิธีการแก้ปัญหาที่แน่นอนอาจไม่มีอยู่จริง แต่โชคดีที่มีวิธีการค้นหาข้อมูลมากมายที่ได้รับการรับรองเช่นเดียวกับโซลูชันที่แน่นอน วัสดุนี้สามารถพบได้ในตำราการเขียนโปรแกรมแบบไม่เชิงเส้นมาตรฐานเช่นในหนังสือ Bertsekas หรือ Nocedal & Wright ที่กล่าวถึงข้างต้น
เยี่ยมชมย่อหน้าที่สองของคุณ: เมื่อทำงานได้ดี
ประการแรกการวิเคราะห์ที่กล่าวมาข้างต้นสำหรับการไล่ระดับสีเพื่อการประสานงาน เหตุใดจึงไม่ใช้โคตรพิกัดเสมอ คำตอบก็คือสำหรับปัญหามากมายที่สามารถใช้การไล่ระดับสีได้คุณสามารถใช้วิธีการของนิวตันซึ่งสามารถพิสูจน์การบรรจบที่เหนือกว่าได้ ฉันไม่รู้วิธีที่จะได้รับประโยชน์จากนิวตันพร้อมโคตรประสานงาน นอกจากนี้วิธีการของ Newton ยังสามารถลดค่าใช้จ่ายได้ด้วยการอัปเดต Quasinewton (ดูตัวอย่าง LBFGS)
ล.0kkkkฉ