10:15
arXiv cs.LG@Shuang Li, Zhihui Zhu, Qiuwei Li
推荐理由：这篇论文证明了Bregman ADMM在非凸非Lipschitz优化中几乎必然收敛到二阶KKT点，解决了传统方法无法处理多项式目标的问题，对矩阵分解等应用有实际指导意义。
全部 AI 动态
AI 相关资讯全量信息流
6月29日
10:15
该论文分析了Bregman ADMM在非凸线性约束问题上的收敛性，采用两侧相对光滑性假设替代标准Lipschitz梯度条件。该方法适用于矩阵和张量模型中的多项式目标，全局Lipschitz梯度常数可能不存在。论文证明，在不变开状态空间域上，Bregman ADMM的一步迭代定义了光滑原始-对偶不动点映射，其严格鞍点KKT点是不稳定不动点，因此从随机初始化出发以概率零收敛到严格鞍点。结合已有的一阶收敛结果，这给出了极限KKT点几乎必然二阶平稳性。数值实验在分布式矩阵分解和对称张量分解上验证了理论。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
6月1日
10:09
10:09
arXiv cs.LG@Daniel Berg Thomsen, Adrien Taylor, Aymeric Dieuleveut
推荐理由：做分布式机器学习或联邦学习的开发者，这篇论文给出了误差反馈算法的理论极限，帮你理解通信压缩到底能省多少而不损失收敛性，值得细读。